У меня есть 2 pandas фреймов данных и вы хотите получить значения из одного фрейма данных, чтобы заполнить столбцы другого?

Question

Мои данные относятся к результатам матчей НБА, мой первый кадр данных:

INDEX TEAM  OFFRTG  DEFRTG  NETRTG  AST%    AST/TO  ASTRATIO    OREB%   DREB%   REB%    TOV%    EFG%    TS% PACE    PIE
0   Atlanta Hawks   108.8   93.4    15.4    44.7    1.13    13.0    44.4    61.7    53.5    16.5    47.1    49.7    91.00   66.2
1   Boston Celtics  95.4    84.2    11.2    47.7    0.84    12.6    24.7    69.6    48.2    19.0    45.9    51.9    97.75   60.1
2   Charlotte Bobcats   90.8    111.6   -20.8   64.0    1.23    13.6    32.1    64.1    45.7    14.9    35.8    45.1    86.50   31.2
3   Chicago Bulls   96.9    100.0   -3.1    63.3    0.95    14.3    38.1    69.3    53.0    20.6    41.5    50.7    96.25   50.5
4   Cleveland Cavaliers 100.6   92.9    7.7 60.9    1.05    16.0    32.1    71.6    54.1    20.6    49.3    54.1    90.50   61.2

Извините, если вышеприведенное неопрятно, но в основном это ежемесячная статистика всех команд.

Мой второй фрейм данных содержит результаты матчей за данный месяц следующим образом:

INDEX   Team1   Team1Score  Team2   Team2Score  Team1Win    Team1Home
0   Cleveland Cavaliers 85  Boston Celtics  90  0   0
1   Milwaukee Bucks 95  Chicago Bulls   108 0   0
2   Portland Trail Blazers  76  Los Angeles Lakers  96  0   0
3   Toronto Raptors 95  Philadelphia 76ers  84  1   0
4   New Jersey Nets 95  Washington Wizards  85  1   0

По сути, я хочу добавить столбцы Team1OFFRTG и все остальные статистические данные для каждой команды, чтобы сравнить статистику одной команды с другими по порядку. для «прогнозирования» переменной Team1Win.

Как можно объединить таблицы для создания необходимого окончательного фрейма данных?

Answer 1

Предоставленное решение является правильным, поэтому примите это решение, но вы также можете добавить префикс в строку, в которой вы выполняете слияние:

import pandas as pd

stats = pd.DataFrame([
   ['Atlanta Hawks',   108.8 ,  93.4  ,  15.4 ,   44.7  ,  1.13  ,  13.0  ,  44.4  ,  61.7  ,  53.5 ,   16.5  ,  47.1 ,   49.7  ,  91.00 ,  66.2],
   ['Boston Celtics',  95.4  ,  84.2  ,  11.2  ,  47.7 ,   0.84  ,  12.6  ,  24.7  ,  69.6 ,   48.2,    19.0 ,   45.9  ,  51.9  ,  97.75  , 60.1],
   ['Charlotte Bobcats',   90.8 ,   111.6 ,  -20.8  , 64.0  ,  1.23  ,  13.6  ,  32.1  ,  64.1  ,  45.7  ,  14.9  ,  35.8 ,   45.1  ,  86.50 ,  31.2],
   ['Chicago Bulls',   96.9,    100.0 ,  -3.1  ,  63.3 ,   0.95  ,  14.3  ,  38.1  ,  69.3  ,  53.0  ,  20.6  ,  41.5 ,   50.7 ,   96.25 ,  50.5],
   ['Cleveland Cavaliers', 100.6 ,  92.9 ,   7.7, 60.9   , 1.05 ,   16.0    ,32.1 ,   71.6,    54.1,    20.6  ,  49.3 ,   54.1 ,   90.50  , 61.2]],
   columns=['TEAM','OFFRTG','DEFRTG','NETRTG','AST%','AST/TO','ASTRATIO','OREB%','DREB%','REB%','TOV%','EFG%',
         'TS%','PACE','PIE'])

matchups = pd.DataFrame([
   ['Cleveland Cavaliers', 85 , 'Boston Celtics' , 90,  0 ,  0],
   ['Milwaukee Bucks', 95 , 'Chicago Bulls' ,  108, 0 ,  0],
   ['Portland Trail Blazers',  76 , 'Los Angeles Lakers' , 96 , 0  , 0],
   ['Toronto Raptors', 95 , 'Philadelphia 76ers',  84 , 1 ,  0],
   ['New Jersey Nets', 95 , 'Washington Wizards' , 85 , 1 ,  0 ]],
   columns = ['Team1','Team1Score','Team2','Team2Score','Team1Win','Team1Home'])


df = matchups.merge(stats.add_prefix('Team1'), how='left', left_on=['Team1'], right_on=['Team1TEAM']).drop(['Team1TEAM'],axis=1).merge(stats.add_prefix('Team2'), how='left', left_on=['Team2'], right_on=['Team2TEAM']).drop(['Team2TEAM'],axis=1)

Вывод:

print(df.to_string())
                    Team1  Team1Score               Team2  Team2Score  Team1Win  Team1Home  Team1OFFRTG  Team1DEFRTG  Team1NETRTG  Team1AST%  Team1AST/TO  Team1ASTRATIO  Team1OREB%  Team1DREB%  Team1REB%  Team1TOV%  Team1EFG%  Team1TS%  Team1PACE  Team1PIE  Team2OFFRTG  Team2DEFRTG  Team2NETRTG  Team2AST%  Team2AST/TO  Team2ASTRATIO  Team2OREB%  Team2DREB%  Team2REB%  Team2TOV%  Team2EFG%  Team2TS%  Team2PACE  Team2PIE
0     Cleveland Cavaliers          85      Boston Celtics          90         0          0        100.6         92.9          7.7       60.9         1.05           16.0        32.1        71.6       54.1       20.6       49.3      54.1       90.5      61.2         95.4         84.2         11.2       47.7         0.84           12.6        24.7        69.6       48.2       19.0       45.9      51.9      97.75      60.1
1         Milwaukee Bucks          95       Chicago Bulls         108         0          0          NaN          NaN          NaN        NaN          NaN            NaN         NaN         NaN        NaN        NaN        NaN       NaN        NaN       NaN         96.9        100.0         -3.1       63.3         0.95           14.3        38.1        69.3       53.0       20.6       41.5      50.7      96.25      50.5
2  Portland Trail Blazers          76  Los Angeles Lakers          96         0          0          NaN          NaN          NaN        NaN          NaN            NaN         NaN         NaN        NaN        NaN        NaN       NaN        NaN       NaN          NaN          NaN          NaN        NaN          NaN            NaN         NaN         NaN        NaN        NaN        NaN       NaN        NaN       NaN
3         Toronto Raptors          95  Philadelphia 76ers          84         1          0          NaN          NaN          NaN        NaN          NaN            NaN         NaN         NaN        NaN        NaN        NaN       NaN        NaN       NaN          NaN          NaN          NaN        NaN          NaN            NaN         NaN         NaN        NaN        NaN        NaN       NaN        NaN       NaN
4         New Jersey Nets          95  Washington Wizards          85         1          0          NaN          NaN          NaN        NaN          NaN            NaN         NaN         NaN        NaN        NaN        NaN       NaN        NaN       NaN          NaN          NaN          NaN        NaN          NaN            NaN         NaN         NaN        NaN        NaN        NaN       NaN        NaN       NaN

Answer 2

Вы можете использовать merge

teams = pd.DataFrame({"team": ["T0", "T1", "T2", "T3", "T4", "T5"],
                     "A": ["A0", "A1", "A2", "A3", "A4", "A5"]})

t1_stats = teams.add_prefix("T1_")
t2_stats = teams.add_prefix("T2_")

games = pd.DataFrame({"gameID": ["G0", "G1", "G2"],
                      "T1": [ "T0", "T2", "T4"],
                      "T2": [ "T1", "T5", "T3"],
                      "X": ["X0", "X1", "X2"]})

games_with_team_stats = games.merge(t1_stats, "left", left_on="T1", right_on="T1_team").merge(t2_stats, left_on="T2", right_on="T2_team")

Объединение работает как SQL объединение , но имеет один существенный недостаток - вы не можете переименовать ключи объединенного Dataframe во время процесса объединения. Кажется, самый простой вариант для вас - создать 2 временных кадра данных, которые имеют соответствующие имена столбцов для вашего слияния.