自连接时索引列保留规则探究：pd.merge参数搭配报错解析

问题背景 #

首先定义示例DataFrame：

import pandas as pd
import numpy as np

lotrd = pd.DataFrame(
    {'title':['FOTR', 'TTT', 'TRTK'],'sequel':[618346260,7171994,np.nan]},
    index=[618346252,618346260,7171994]
)
lotrd.index.name='id'

执行以下代码可得到正常结果：

print(pd.merge(lotrd, lotrd, left_on='sequel', right_on='id', right_index=True))

但反转参数（left_on='id'、right_on='sequel'、left_index=True）时执行对应代码会报错；若省略left_index=True参数，代码可正常执行但无法保留索引列。

现需解答两个问题：

1. left_on与left_index=True搭配是否存在问题？
2. 自连接输入顺序变更的影响与通用指导。

问题解答 #

1. left_on与left_index=True搭配的冲突问题 #

两者搭配存在明确冲突。

• 当设置left_index=True时，Pandas会将左表的索引作为连接键；而left_on是指定左表的某一列作为连接键。
• 同时指定这两个参数，Pandas无法确定应该用索引还是指定列作为连接键，因此会直接抛出错误。
• 你反转参数时的报错，正是因为同时指定了left_index=True（要求用左表索引id当连接键）和left_on='id'（又要求用左表的id列当连接键），两者重复且冲突。

2. 自连接输入顺序变更的影响与通用指导 #

自连接本质是同一个表作为左右两个表进行连接，顺序变更相当于交换了左右表的角色，需要对应调整连接参数，否则会出现报错或不符合预期的结果。

影响说明

交换左右表后，原有的left_*参数需要对应换成right_*参数，反之亦然，否则连接键的对应关系会混乱：

• 原正确代码是左表用sequel列，右表用索引id；
• 反转后若要实现逻辑对等的连接，应该是左表用索引id，右表用sequel列，此时正确的参数应该是left_index=True, right_on='sequel'，而不是同时指定left_on='id'和left_index=True。

通用指导

• 明确连接键来源，避免参数冲突：对于任意一侧的表，只能二选一：要么用*_index=True指定用索引当连接键，要么用*_on指定用列当连接键，不能同时使用。
• 自连接时给表起别名：为左右表重命名列（比如lotrd.rename(columns={'title':'original_title'})和lotrd.rename(columns={'title':'sequel_title'})），避免结果中出现重复列名，方便区分原表和连接表的数据。
• 保留索引的处理方式：如果需要保留原索引，连接前可以先将索引转为普通列（lotrd.reset_index()），连接完成后再重新设置为索引；或者确保连接时仅用索引作为连接键，避免索引被自动丢弃。

内容的提问来源于stack exchange，提问作者anumberofthem