利用Python 去重聚合Excel数据并对比两份数据的差异

问题背景

在数据处理过程中，常常需要将多个数据表进行合并，并进行比对，以便找出数据的差异和共同之处。本文将介绍如何使用 Pandas 库对两个 Excel 数据表进行合并与比对，并将结果输出到新的 Excel 文件中。

读取数据表

首先，我们使用 Pandas 库中的 read_excel 函数来读取两个 Excel 文件中的数据，分别存储到 left_df 和 right_df 变量中。

import pandas as pd

left_df = pd.read_excel('C:\\Users\\Admin\\Desktop\\数据核对\\数据1.xlsx')
right_df = pd.read_excel('C:\\Users\\Admin\\Desktop\\数据核对\\数据2.xlsx')

---

数据表分组求和

接下来，我们对 left_df 和 right_df 分别按照 '店铺名称' 和 '订单号' 进行分组，并对其他列进行求和操作。

left_df = left_df.groupby(['店铺名称', '订单号'], as_index=False).sum()
right_df = right_df.groupby(['店铺名称', '订单号'], as_index=False).sum()

---

合并数据表

然后，我们使用 merge 函数将经过分组求和后的两个 DataFrame 进行合并，同时启用标记列以标识每行数据的来源。

merged_df = pd.merge(left_df, right_df, how='outer', on=['订单号', '店铺名称'], indicator=True)

---

添加标记结果列

根据合并的结果，我们添加一个新列 'merge_result'，用于标记每条记录属于左侧有的数据、都有的数据还是右侧有的数据。

conditions = [
    (merged_df['_merge'] == 'left_only'), # 左侧有的数据
    (merged_df['_merge'] == 'both'), # 左右两边都有的数据
    (merged_df['_merge'] == 'right_only') # 右侧有的数据
]
choices = ['Left only', 'Both', 'Right only']

merged_df['merge_result'] = np.select(conditions, choices)

---

保存结果到 Excel 文件

最后，我们将合并后的结果写入到新的 Excel 文件中，以便进一步分析和分享。

merged_df.to_excel('merged.xlsx', index=False)

---

总结

通过以上步骤，我们成功地使用 Pandas 完成了两个数据表的合并与比对，并将结果保存到了新的 Excel 文件中。这个过程为我们展示了如何利用 Pandas 库进行数据处理和分析，为日常工作中的数据清洗和整合提供了有力的支持。

完整代码

import pandas as pd
import numpy as np

# 读取两个 Excel 文件
left_df = pd.read_excel('C:\\Users\\Admin\\Desktop\\数据核对\\数据1.xlsx')
right_df = pd.read_excel('C:\\Users\\Admin\\Desktop\\数据核对\\数据2.xlsx')

# 对 left_df DataFrame 进行分组求和
left_df = left_df.groupby(['店铺名称', '订单号'], as_index=False).sum()

# 对 right_df DataFrame 进行分组求和
right_df = right_df.groupby(['店铺名称', '订单号'], as_index=False).sum()

# 合并两个数据表，并启用标记列
merged_df = pd.merge(left_df, right_df, how='outer', on=['订单号', '店铺名称'], indicator=True)
# 使用 merge 函数将左右两个 DataFrame 进行合并
# how='outer' 表示执行外连接操作，包括左边有的、都有的和右边有的数据
# on=['订单号', '店铺名称'] 表示合并所依据的关键字列名是 '订单号' 和 '店铺名称'
# indicator=True 表示启用一个标记列 '_merge' 来标记每个行的来源

# 根据标记列的值，添加一个标记结果列
conditions = [
(merged_df['_merge'] == 'left_only'), # 左侧有的数据
(merged_df['_merge'] == 'both'), # 左右两边都有的数据
(merged_df['_merge'] == 'right_only') # 右侧有的数据
]
choices = ['Left only', 'Both', 'Right only']
# 对应上述条件的选择，分别为左侧有的数据、都有的数据、右侧有的数据
merged_df['merge_result'] = np.select(conditions, choices)
# 使用 np.select 函数根据条件和选择，在 DataFrame 中添加一个新列 'merge_result'，标记为左侧有的数据、都有的数据或右侧有的数据

# 将结果写入到 Excel 文件中
merged_df.to_excel('merged.xlsx', index=False)
# 将合并后的结果写入到 Excel 文件 'merged.xlsx' 中，不包含索引列