如何以插补方式合并两个数据集，优先选用第一个数据集的值

嘿，我来帮你搞定这个数据集合并的问题！根据你给出的规则——优先选用第一个数据集的值，仅用第二个数据集插补第一个的缺失值，我们先把两个原始数据理清楚，再给出最终合并结果，还能给你一个Python实现的代码示例。

原始数据集说明 #

第一个数据集（优先选用） #

这个数据集包含Customer_id、column1、column2、column3、column4，其中column4全为缺失值：

第二个数据集（仅用于插补） #

这个数据集用于填补第一个的缺失，包含Customer_id、column3、column4：

合并规则回顾 #

若两个数据集对应值均非缺失，优先选用第一个数据集的值；第一个数据集缺失的字段，用第二个数据集的对应值填补。

最终合并结果 #

根据规则处理后，得到的数据集如下：

结果说明 #

• Customer_id=1：column3两个数据集都为64，取第一个的；column4两个都缺失，所以还是缺失
• Customer_id=2：column3第一个是45（非缺失），第二个是42，优先取第一个的；column4第一个缺失，用第二个的45填补
• Customer_id=3：column3两个都是45，取第一个的；column4第一个缺失，用第二个的73填补

用Python Pandas实现的代码示例 #

如果你需要用代码自动化这个过程，Pandas的combine_first方法完美匹配你的需求——它会自动保留第一个DataFrame的非缺失值，仅用第二个的内容填补缺失：

import pandas as pd

# 构建第一个数据集（优先）
df_priority = pd.DataFrame({
    'Customer_id': [1, 2, 3],
    'column1': [56, 45, 46],
    'column2': [45, 14, 32],
    'column3': [64, 45, 45],
    'column4': [pd.NA, pd.NA, pd.NA]
})

# 构建第二个数据集（插补用）
df_fill = pd.DataFrame({
    'Customer_id': [1, 2, 3],
    'column3': [64, 42, 45],
    'column4': [pd.NA, 45, 73]
})

# 合并：以优先数据集为基础，用插补数据集填补缺失
merged_result = df_priority.set_index('Customer_id') \
                           .combine_first(df_fill.set_index('Customer_id')) \
                           .reset_index()

# 查看结果
print(merged_result)

运行这段代码后，你就能得到上面的最终合并数据集啦。

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