pandas用A表的a列数据筛选出和B表的b列数据相同的行，然后显示B表的c列 。其中啊列数据少于b列数据

可以使用pandas的merge函数实现该功能。具体代码如下：

import pandas as pd

# 读取A表和B表
A = pd.read_csv('A.csv')
B = pd.read_csv('B.csv')

# 使用merge函数合并A表和B表，根据a列和b列进行合并
merged = pd.merge(A, B, left_on='a', right_on='b')

# 显示合并后的数据中的c列
result = merged['c']
print(result)

需要注意的是，如果A表的a列数据少于B表的b列数据，那么合并后的数据中可能会存在重复的行。可以使用drop_duplicates函数去除重复行。例如：

merged = pd.merge(A, B, left_on='a', right_on='b')
merged.drop_duplicates(subset='b', inplace=True)
result = merged['c']
print(result)

其中，subset参数指定了根据哪一列去除重复行。在本例中，选择了B表的b列。

相关问题

pandas 有两个df结构不一样的数据，其中df1有A、B、c、d、E列，df2只有E列，其中df1的E列数据和df2的E列数据不一样，现在需要筛选出df1与df2E列相同的行数据

你可以使用 pandas 的 merge 函数将两个 data frame 按照 "E" 列进行合并，并且使用 inner 连接方式保留两个 data frame 中都存在的行数据。具体操作如下：

import pandas as pd

# 创建示例数据 df1 和 df2
df1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9], 'D': [10, 11, 12], 'E': ['X', 'Y', 'Z']})
df2 = pd.DataFrame({'E': ['X', 'Z']})

# 按照 'E' 列进行合并，保留两个 data frame 中都存在的行数据
merged_df = pd.merge(df1, df2, on='E', how='inner')

print(merged_df)

这里使用了 merge 函数将 df1 和 df2 按照 "E" 列进行合并，使用了 inner 连接方式。由于 df2 只有 "E" 列数据，因此在合并的过程中只需要指定 "E" 列即可。最后得到的 merged_df 包含了 df1 和 df2 中在 "E" 列中都存在的行数据。

在pandas中筛选出某一列的相同数据

如果你想在 Pandas 中筛选出某一列的相同数据，可以使用 `value_counts()` 方法。该方法可以返回一个 Series，其中包含每个唯一值的计数。你可以使用该方法来查看该列中每个值出现的次数，并筛选出出现次数大于 1 的值，这些值就是重复的值。

以下是一个示例代码：

# 导入 pandas 库
import pandas as pd

# 创建一个示例 DataFrame
df = pd.DataFrame({
    'A': [1, 2, 3, 4, 5],
    'B': ['a', 'a', 'b', 'c', 'c']
})

# 使用 value_counts() 方法筛选出列 B 中的相同数据
duplicates = df['B'].value_counts()[df['B'].value_counts() > 1]

print(duplicates)

在上面的示例中，我们使用 `value_counts()` 方法筛选出了列 B 中的相同数据，并使用 `df['B'].value_counts() > 1` 筛选出了出现次数大于 1 的值。最后，我们将结果存储在 `duplicates` 变量中，并打印出来。