【Python】merge｜2つのデータを結合する方法

データを結合するmerge関数

mergeでは2つのデータ同士を結合することができます

Excelでは「VLOOKUP」、SQLでは「JOIN」と同じ機能で、共通する項目（キー）を元に表同士を結合します

Pythonでは結合方法をパラメータで指定します

少し細かく設定する必要がありますが、それぞれ説明していきます

事前準備

Pandasというデータ解析を実施できるライブラリをインポートします　

import pandas as pd

※サンプルデータ：学校のテストの点数

今回はデータの結合を説明するために「テストの点数」と「部活情報」の2つのデータを利用します

テストの点数（df）

df = pd.read_html('https://smart-hint.com/student-data/')[0]
df.head()

部活情報（df_club）

一部の部活の「大会出場の結果」をtournamentとしてデータを作成しています

df_club = pd.DataFrame({'club':['野球','サッカー','柔道','テニス','バレー','バスケ','卓球','吹奏楽'],
                       'tournament':['全国大会','全国大会','全国大会','県大会','県大会','県大会','地方大会','地方大会']})
df_club

mergeの使い方

mergeはPandasをインポートして利用します

そして事前に変数として2つのDataFrameを用意します

今回は「テストの点数：df」の部活名をキーに「部活情報：df_club」を結合します

基本的な設定のステップ

まずはPandasを呼び出すためにコード前に「pd」を付けてmergeを記述します

pd.merge(

mergeの中に「左の表」の変数名と「右の表」の変数名を記載します

pd.merge(df, df_club

次にhowに「JOIN方法」を指定します

今回は「左外部結合」のため’left’を指定します

pd.merge(df, df_club, how='left'

そして「キー」とするカラムをonで指定します

pd.merge(df, df_club, how='left', on='club')

最後に「変数」として「df_new」に代入し、5件取り出してみましょう

df_new = pd.merge(df, df_club, how='left', on='club')
df_new.head()

これでテストのデータに対して「部活」の情報を付けることができました

詳細設定に関してはパラメータで説明します

別の記述方法

mergeは「pd」からではなく、「左の表」を先に書く方法があります

結果はどちらも同じですが、こちらの方がスッキリ書けます

df.merge(df_club, how='left', on='club')

パラメータ

おすすめ度を判定：★★★＝必須｜★★☆＝推奨｜★☆☆＝任意

★★★：left / right（結合するデータ）

pd.merge(df, df_club)

mergeを関数として利用する場合は、2つのデータを指定します

最初に記載した変数（left）に対して、次に記載した変数（right）を結合します

df.merge(df_club)

※どちらの場合も以降のパラメータは同じなので、お好きな方をご利用ください

★★★：on（結合キー）

pd.merge(df, df_club, on='club')

共通するキー名を指定します（例ではclub）

記載がない場合は、両方に存在するカラム名が自動的に共通キーとして認識されますが、

明示的に指定することをおすすめします

複数のキーを指定する場合はリストとして指定しましょう

★★★：left_on（左の結合キー）

# カラム名を変更
df_club.rename(columns={'club':'部活'}, inplace=True)
pd.merge(df, df_club, left_on='club', left_on='部活')

左右で結合キーとするカラム名が違う場合は、パラメータを分けて指定します

こちらも複数のキーを指定するときはリストとして指定します

★★★：right_on（右の結合キー）

# カラム名を変更
df_club.rename(columns={'club':'部活'}, inplace=True)
pd.merge(df, df_club, left_on='club', left_on='部活')

「left_on」に対して右側の列名を指定します

★★★：how（結合方法）

pd.merge(df, df_club, on='club', how='left')

2つの表を結合する方法を指定します

指定しない場合はhow=‘inner’となり相互に共通する項目だけ残ります

データが存在しない場合は「NaN」となります

★★☆：indicator（元データの表示）

pd.merge(df, df_club, on='club', how='left', indicator=True)

左右のデータのうち、元データではどちらに存在していたかを表示することができます

「both」「left_only」「right_only」の3パターンに分類されます

指定がない場合は元データの情報は表示されません

「True」を指定した場合の列名は「_merge」になります

列名を明示したい場合は、indicatorに列名を指定しましょう

★☆☆：suffixes（共通する列名）

mergeでは結合キーにした情報は削除されますが、両方のデータに共通するカラムは重複して残ります

ただしPythonでは同じカラム名は利用できないため、左右で共通の列名が存在している場合は、後ろに「_x」「_y」が自動的に付きます

試しにdf_club同士で結合してみましょう

pd.merge(df_club, df_club, on='club', how='left')

違いを明確化するためにデータ元の名前を付けることができます

suffixesに文字列を指定しましょう

pd.merge(df_club, df_club, on='club', how='left', suffixes=['_テスト','_部活'])

リスト型で任意の名前を指定します

★☆☆：left_index / right_index（キーをインデックス）

それぞれの変数のインデックスをキーに設定したい場合は、left_indexとright_indexを指定します

set_indexを使って、clubをインデックスに指定します

df = df.set_index('club')
df_club = df_club.set_index('club')

left_indexとright_indexの両方をTrueで設定します

pd.merge(df, df_club, how='left', left_index=True, right_index=True)

まとめ

今回はPythonのmergeについてご紹介してきました

Pythonでは複数のデータを頻繁に作り出し、結合するという作業が多く発生します

ぜひ使い方を覚えてみてください