Cómo unir DataFrames con Pandas merge() en Python
La función Pandas DataFrame.merge() se utiliza para unir dos DataFrames basándose en claves (keys) comunes. De este modo, puedes combinar datos de diferentes fuentes de manera eficiente para realizar análisis más completos.
- Rápido, seguro, flexible y escalable
- Seguro con SSL y protección DDoS
- Dominio y asesor personal incluidos
Sintaxis de la función Pandas merge()
La función de Pandas DataFrame.merge() de la Biblioteca Python Pandas acepta una amplia variedad de parámetros que afectan la forma en que se combinan los DataFrames. La sintaxis general de la función merge() es la siguiente:
DataFrame.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)La función merge() de Pandas es similar a la operación JOIN en bases de datos relacionales. Si ya estás familiarizado con lenguajes de bases de datos como SQL te resultará más fácil comprender la función Pandas DataFrame-merge(). Sin embargo, es importante señalar que el comportamiento difiere en algunos aspectos: si ambas columnas clave contienen valores que se evalúan como null, estos también se combinarán.
Parámetros relevantes
Con los diferentes parámetros que acepta la función Pandas merge(), no solo especificas los DataFrames, que deseas combinar, sino también el tipo de unión (también llamada join en inglés) y otros detalles adicionales.
| Parámetro | Descripción | Valor predeterminado |
|---|---|---|
left
|
Primer DataFrame que se va a combinar | |
right
|
Segundo DataFrame que se va a combinar | |
how
|
Tipo de unión que se va a realizar (inner, outer, left o right)
|
inner
|
on
|
Columna o nivel de índice que se utiliza como clave; debe estar presente en ambos DataFrames | |
left_on
|
Columna o nivel de índice del DataFrame izquierdo que se utiliza como clave | |
right_on
|
Columna o nivel de índice del DataFrame derecho que se utiliza como clave | |
left_index
|
Si es True, el índice del DataFrame izquierdo se usa como clave
|
False
|
right_index
|
Si es True, el índice del DataFrame derecho se usa como clave
|
False
|
sort
|
Si es True, las claves resultantes del DataFrame se ordenan de forma lexicográfica
|
False
|
suffixes
|
Sufijos que se utilizan para hacer únicas las columnas con nombres duplicados | ("_x", "_y")
|
copy
|
Si es False, no se hace una copia
|
True
|
Cómo utilizar Pandas merge()
Te presentamos una serie de ejemplos que te ayudarán a comprender cómo funciona Pandas merge().
INNER JOIN o unión interna
Una INNER JOIN o unión interna une dos DataFrames de Pandas y devuelve solo las filas en las que las claves coinciden en ambos DataFrames. Primero, crearemos dos DataFrames que nos servirán de ejemplo:
import pandas as pd
# DataFrames de ejemplo
df1 = pd.DataFrame({
'Clave': ['A', 'B', 'C'],
'Valor1': [1, 2, 3]
})
df2 = pd.DataFrame({
'Clave': ['B', 'C', 'D'],
'Valor2': [4, 5, 6]
})
print(df1)
print(df2)Los dos DataFrames resultantes tendrían el siguiente aspecto:
Clave Valor1
0 A 1
1 B 2
2 C 3
Clave Valor2
0 B 4
1 C 5
2 D 6Ahora puedes realizar una INNER JOIN utilizando la función die merge():
# INNER JOIN
result = pd.merge(df1, df2, how='inner', on='Clave')
print(result)La salida muestra que, en este ejemplo, solo las filas con las claves B y C se incluyen en el DataFrame resultante, ya que estas están presentes en ambos DataFrames originales.
Clave Valor1 Valor2
0 B 2 4
1 C 3 5OUTER JOIN o unión externa
Una OUTER JOIN o unión externa también une dos DataFrames. A diferencia de la unión interna (INNER JOIN), con la unión externa se devuelven todas las filas y los valores faltantes se rellenan con NaN.
# OUTER JOIN
result = pd.merge(df1, df2, how='outer', on='Clave')
print(result)Como era de esperar, en el DataFrame resultante se incluyen todas las filas de ambos DataFrames. Para la clave A, que solo está presente en df1, y la clave D, que solo está presente en df2, los valores faltantes se rellenan con NaN.
Clave Valor1 Valor2
0 A 1.0 NaN
1 B 2.0 4.0
2 C 3.0 5.0
3 D NaN 6.0El resto de variantes de JOIN que hemos incluido en la tabla anterior funcionan de forma análoga.
Uso de left_on y right_on
A veces, los dos DataFrames tienen diferentes nombres de columnas clave. En este caso, puedes usar los parámetros left_on y right_on para especificar qué columnas se deben utilizar. Para esto, primero debes crear dos nuevos DataFrames:
df3 = pd.DataFrame({
'Clave': ['A', 'B', 'C'],
'Valor1': [1, 2, 3]
})
df4 = pd.DataFrame({
'Clave2': ['B', 'C', 'D'],
'Valor2': [4, 5, 6]
})
print(df3)
print(df4)Los dos DataFrames resultantes tienen el siguiente aspecto:
Clave Valor1
0 A 1
1 B 2
2 C 3
Clave2 Valor2
0 B 4
1 C 5
2 D 6Para realizar la operación JOIN con claves diferentes, se especifican los parámetros left_on y right_on:
# Unir con diferentes nombres de columnas clave
result = pd.merge(df3, df4, how='inner', left_on='Clave', right_on='Clave2')
print(result)Al utilizar explícitamente left_on='Clave' y right_on='Clave2', se usan las columnas clave correspondientes para realizar la unión.
Clave Valor1 Clave2 Valor2
0 B 2 B 4
1 C 3 C 5Uso de índices como clave
También puedes utilizar los índices de los DataFrames como clave para la unión configurando los parámetros left_index y right_index en True. Primero, se crean dos nuevos DataFrames con índices:
df5 = pd.DataFrame({
'Valor1': [1, 2, 3]
}, index=['A', 'B', 'C'])
df6 = pd.DataFrame({
'Valor2': [4, 5, 6]
}, index=['B', 'C', 'D'])
print(df5)
print(df6)Con el código anterior, se generan los siguientes DataFrames:
Valor1
A 1
B 2
C 3
Valor2
B 4
C 5
D 6Ahora se puede realizar una operación de unión basada en los índices con Pandas merge():
# Unir con índices
result = pd.merge(df5, df6, how='inner', left_index=True, right_index=True)
print(result)El resultado, tal y como era de esperar, es una unión o JOIN basada en los índices de los DataFrames:
Valor1 Valor2
B 2 4
C 3 5