pandas根据账号筛选出两个表中未匹配的数据

好的，我可以帮你解决这个问题。你需要使用pandas中的merge函数将两个表合并，并将未匹配的数据筛选出来。具体操作可以参考以下代码：

import pandas as pd

# 读取两个表格的数据
table1 = pd.read_csv('table1.csv')
table2 = pd.read_csv('table2.csv')

# 将两个表格合并，并筛选出未匹配的数据
unmatched_data = pd.merge(table1, table2, on='账号', how='outer', indicator=True)\
                .query("_merge != 'both'")\
                .drop('_merge', axis=1)

# 输出未匹配的数据
print(unmatched_data)

需要注意的是，上述代码中的'账号'需要替换为你实际使用的列名称。同时，两张表格需要保证有相同的列用于合并，否则会出现错误。

相关问题

用pandas根据账号筛选出两个表中未匹配的数据

Sure，我能帮你解决这个问题。

你需要使用 Pandas 中的 merge 函数，将两个表按照账号列进行合并，然后用 isna() 函数查找未匹配的数据。具体操作如下：

import pandas as pd

# 读取两个表的数据
df1 = pd.read_csv('table1.csv')
df2 = pd.read_csv('table2.csv')

# 按照账号列进行合并
merged_df = pd.merge(df1, df2, on='账号', how='outer', indicator=True)

# 查找未匹配的数据
unmatched_df = merged_df[merged_df['_merge'] == 'left_only']

# 打印未匹配的数据
print(unmatched_df)

在上述代码中，`table1.csv` 和 `table2.csv` 分别表示两个表的数据文件。`merged_df` 是将两个表按照账号列进行合并后的结果，`unmatched_df` 是通过判断`_merge` 列为‘left_only’的数据过滤出来的未匹配的数据。

用pandas在Excel表中同一个房屋坐落对应两个不同的房屋账号，用两个账号匹配流水词条

可以使用pandas的merge方法来实现在Excel表中同一个房屋坐落对应两个不同的房屋账号，用两个账号匹配流水词条。具体步骤如下：

1. 使用pandas分别读取房屋账号表格和流水表格，假设房屋账号表格的文件名为accounts.xlsx，包含三列：房屋地址、第一个账号、第二个账号；流水表格的文件名为transactions.xlsx，包含四列：房屋地址、账号、流水词条、流水金额。代码示例如下：

import pandas as pd

# 读取房屋账号表格
accounts = pd.read_excel('accounts.xlsx')
# 读取流水表格
transactions = pd.read_excel('transactions.xlsx')

2. 使用pandas的merge方法，将房屋账号表格和流水表格进行合并。由于同一个房屋坐落对应两个不同的房屋账号，需要进行两次合并，分别以第一个账号和第二个账号作为键。代码示例如下：

# 以第一个账号作为键合并
merged1 = pd.merge(transactions, accounts[['房屋地址', '第一个账号']], on='房屋地址', how='left')
merged1 = pd.merge(merged1, transactions[['房屋地址', '流水词条']], left_on=['房屋地址', '第一个账号'], right_on=['房屋地址', '账号'], how='left')
merged1 = merged1[['房屋地址', '第一个账号', '流水词条']]
merged1.columns = ['房屋地址', '账号', '流水词条']

# 以第二个账号作为键合并
merged2 = pd.merge(transactions, accounts[['房屋地址', '第二个账号']], on='房屋地址', how='left')
merged2 = pd.merge(merged2, transactions[['房屋地址', '流水词条']], left_on=['房屋地址', '第二个账号'], right_on=['房屋地址', '账号'], how='left')
merged2 = merged2[['房屋地址', '第二个账号', '流水词条']]
merged2.columns = ['房屋地址', '账号', '流水词条']

# 合并两次合并的结果
merged = pd.concat([merged1, merged2])

在上述代码中，我们首先以第一个账号作为键合并，将流水表格和房屋账号表格进行合并，并仅保留房屋地址、第一个账号和流水词条三列。然后以第二个账号作为键进行合并，同样仅保留房屋地址、第二个账号和流水词条三列。最后，将两次合并的结果进行合并，得到最终的合并结果。

3. 对合并结果进行筛选，按照房屋地址和账号进行筛选，即可得到对应的流水词条。代码示例如下：

# 筛选结果
result = merged[(merged['房屋地址'] == 'xxx') & ((merged['账号'] == 'xxx') | (merged['账号'] == 'xxx'))]['流水词条']

在上述代码中，我们使用了布尔索引，按照房屋地址和账号进行筛选，得到对应的流水词条。需要将代码中的'xxx'替换为具体的房屋地址和账号。