{"id":3348,"date":"2023-07-17T23:15:56","date_gmt":"2023-07-17T23:15:56","guid":{"rendered":"https:\/\/statorials.org\/de\/pandas-vergleichen-spalten-in-zwei-datenrahmen\/"},"modified":"2023-07-17T23:15:56","modified_gmt":"2023-07-17T23:15:56","slug":"pandas-vergleichen-spalten-in-zwei-datenrahmen","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/pandas-vergleichen-spalten-in-zwei-datenrahmen\/","title":{"rendered":"Pandas: so vergleichen sie spalten in zwei verschiedenen dataframes"},"content":{"rendered":"

<\/p>\n

\n

Sie k\u00f6nnen die folgenden Methoden verwenden, um Spalten aus zwei verschiedenen Panda-DataFrames zu vergleichen:<\/span><\/p>\n

Methode 1: Z\u00e4hlen Sie \u00fcbereinstimmende Werte zwischen Spalten<\/strong><\/span><\/p>\n

 df1[' my_column<\/span> ']. isin<\/span> (df2[' my_column<\/span> ']). value_counts<\/span> ()\n<\/strong><\/pre>\n
 Methode 2: \u00dcbereinstimmende Werte zwischen Spalten anzeigen<\/strong><\/span><\/p>\n
 p.d. merge<\/span> (df1, df2, on=[' my_column<\/span> '], how=' inner<\/span> ')<\/strong><\/pre>\n
 Die folgenden Beispiele zeigen, wie jede Methode mit den folgenden Pandas-DataFrames verwendet wird:<\/span><\/p>\n
 import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\n\n#create first DataFrame\n<\/span>df1 = pd. DataFrame<\/span> ({' team<\/span> ': ['Mavs', 'Rockets', 'Spurs', 'Heat', 'Nets'],\n                    ' points<\/span> ': [22, 30, 15, 17, 14]})\n\n#view DataFrame\n<\/span>print<\/span> (df1)\n\n      team points\n0 Mavs 22\n1 Rockets 30\n2 Spurs 15\n3 Heat 17\n4 Nets 14\n\n#create second DataFrame\n<\/span>df2 = pd. DataFrame<\/span> ({' team<\/span> ': ['Mavs', 'Thunder', 'Spurs', 'Nets', 'Cavs'],\n                    ' points<\/span> ': [25, 40, 31, 32, 22]})\n\n#view DataFrame\n<\/span>print<\/span> (df2)\n\n      team points\n0 Mavs 25\n1 Thunder 40\n2 Spurs 31\n3 Nets 32\n4 Cavs 22\n<\/strong><\/pre>\n
 Beispiel 1: Z\u00e4hlen Sie \u00fcbereinstimmende Werte zwischen Spalten<\/strong><\/span><\/h2>\n
 Der folgende Code zeigt, wie die Anzahl \u00fcbereinstimmender Werte zwischen Teamspalten<\/strong> in jedem DataFrame gez\u00e4hlt wird:<\/span><\/p>\n
 #count matching values in team columns\n<\/span>df1[' team<\/span> ']. isin<\/span> (df2[' team<\/span> ']). value_counts<\/span> ()\n\nTrue 3\nFalse 2\nName: team, dtype: int64\n<\/span><\/span><\/strong><\/pre>\n
 Wir sehen, dass die beiden DataFrames drei<\/strong> gemeinsame Teamnamen und zwei<\/strong> verschiedene Teamnamen haben.<\/span><\/p>\n
 Beispiel 2: \u00dcbereinstimmende Werte zwischen Spalten anzeigen<\/strong><\/span><\/h2>\n
 Der folgende Code zeigt, wie die tats\u00e4chlichen \u00dcbereinstimmungswerte zwischen Teamspalten<\/strong> in jedem DataFrame angezeigt werden:<\/span><\/p>\n
 #display matching values between team columns\n<\/span>p.d. merge<\/span> (df1, df2, on=[' team<\/span> '], how=' inner<\/span> ')\n\n\tteam points_x points_y\n0 Mavs 22 25\n1 Spurs 15 31\n2 Nets 14 32<\/span><\/span><\/strong><\/pre>\n
 Aus dem Ergebnis k\u00f6nnen wir erkennen, dass beide DataFrames in den Teamspalten<\/strong> die folgenden Werte gemeinsam haben:<\/span><\/span><\/p>\n