Pandas Dataframe merge 后出现重复行

1. 初始化两个dataframe

df_left = pd.DataFrame(
    columns=['no', 'name', 'age'],
    data=[['111', 'Andy', 19], ['222', 'Bob', 20], ['333', 'Cindy', 21]]
)

df_right = pd.DataFrame(
    columns=['key_no', 'remark'],
    data=[['111', 'a'], ['111', 'b'], ['222', 'c']]
)

注意到，df_left的no列是唯一的，df_right的key_no列是有重复的

2. 合并两个dataframe

res1 = pd.merge(left=df_left, right=df_right, left_on='no', right_on='key_no', how='left')

左连接merge两个df时，生成的df出现了重复行，原因是：df_left的no列有一行值为 111， df_right的key_no有两行值为 111，形成一对多的关系，因此出现重复行。

这个问题在官方文档也有提及到：

翻译就是：

对重复键进行连接/合并可能导致返回的帧是行维度的乘法，这可能导致内存溢出。在加入大型 DataFrames 之前，用户有责任管理键中的重复值。

3. 解决方式

3.1 解决方式1：

通过指定 validate='one_to_one'

If specified, checks if merge is of specified type.

• “one_to_one” or “1:1”: check if merge keys are unique in both left and right datasets.
• “one_to_many” or “1:m”: check if merge keys are unique in left dataset.
• “many_to_one” or “m:1”: check if merge keys are unique in right dataset.
• “many_to_many” or “m:m”: allowed, but does not result in checks.

如果抛异常，则说明没有满足一对一关系，则需要进行去重处理，比如drop_duplicates（要确保key重复时取哪个值）

例如：

from pandas.errors import MergeError

try:
    res2 = pd.merge(left=df_left, right=df_right, left_on='no', right_on='key_no', how='left', validate='one_to_one')
except MergeError as e:
    df_right = df_right.drop_duplicates(subset=['key_no'])  # 对 key_no 列去重，保留第一次出现的结果作为值
    res2 = pd.merge(left=df_left, right=df_right, left_on='no', right_on='key_no', how='left', validate='one_to_one')

3.2 解决方式2

如果已经确定是一一对应的关系，则可以在 merge前就进行一次去重处理即可，而不需要去处理异常

例如：

df_right = df_right.drop_duplicates(subset=['key_no'])
res2 = pd.merge(left=df_left, right=df_right, left_on='no', right_on='key_no', how='left', validate='one_to_one')