大家好，歡迎來到數據新手村的第二十三天！昨天我們掌握了 groupby 這個強大的聚合分析工具，學會了如何從單一表格中萃取高層次的洞見。

但真實世界的數據，很少會整齊地放在一張大表裡。就像我們的 Olist 數據集，客戶資訊、訂單資訊、支付資訊被分別存放在不同的表格中。如果老闆想問：「哪個州的客戶，貢獻了最高的總銷售額？」

要回答這個問題，我們必須先將 customers 表（包含客戶的州資訊）和 payments 表（包含訂單的支付金額）關聯起來。今天，我們就要來學習如何在 Pandas 中，使用 pd.merge() 來完成這個如同數據庫 JOIN 一般的強大操作。

1. Merge 的核心觀念：基於共同欄位的合併

pd.merge() 的核心思想，是找到兩個 DataFrame 之間共同的「鑰匙」欄位，並根據這個欄位的值，將它們的資訊合併在一起。

讓我們用最簡單的 orders 表和 customers 表來舉例。

• orders_df 裡有 customer_id 欄位。
• customers_df 裡也有 customer_id 欄位。

customer_id 就是連接這兩張表的「鑰匙」。

import pandas as pd

orders_df = pd.read_csv('../../data/olist_datasets/olist_orders_dataset.csv')
customers_df = pd.read_csv('../../data/olist_datasets/olist_customers_dataset.csv')

# 檢視兩張表的欄位
print("Orders DF Columns:", orders_df.columns)
print("Customers DF Columns:", customers_df.columns)

# 使用 pd.merge() 進行合併
# Pandas 會很聰明地自動找到兩個 DataFrame 中同名的 'customer_id' 作為鑰匙
merged_df = pd.merge(orders_df, customers_df, on='customer_id')

print("\n合併後的 DataFrame (只顯示部分欄位):")
merged_df[['order_id', 'customer_id', 'customer_unique_id', 'customer_city']].head()

輸出結果：
Orders DF Columns: Index(['order_id', 'customer_id', 'order_status', 'order_purchase_timestamp',
'order_approved_at', 'order_delivered_carrier_date',
'order_delivered_customer_date', 'order_estimated_delivery_date',
'delivery_days'],
dtype='object')
Customers DF Columns: Index(['customer_id', 'customer_unique_id', 'customer_zip_code_prefix',
'customer_city', 'customer_state'],
dtype='object')

合併後的 DataFrame (只顯示部分欄位):

2. 四種合併方式 (how 參數) - 本篇核心
   當兩張表的「鑰匙」不完全匹配時（例如，有些客戶下了單，但客戶資料表裡沒有他的資訊），我們該如何決定要保留哪些資料呢？這就是 how 參數的作用。它對應了 SQL JOIN 的四種主要類型。

讓我們建立兩個簡單的 DataFrame 來演示：

df1 = pd.DataFrame({'key': ['A', 'B', 'C', 'D'],
                    'value1': [1, 2, 3, 4]})

df2 = pd.DataFrame({'key': ['B', 'C', 'D', 'E'],
                    'value2': [5, 6, 7, 8]})

inner (內連接 - 預設)

只保留兩張表中，key 都存在的資料。這是最嚴格的合併。

# 只會保留 key 為 'B', 'C', 'D' 的資料
inner_join_df = pd.merge(df1, df2, on='key', how='inner')
print(inner_join_df)

輸出結果：
key value1 value2
0 B 2 5
1 C 3 6
2 D 4 7

left (左連接)

以左邊的 df1 為主，保留 df1 的所有資料。如果在 df2 中找不到對應的 key，value2 欄位會被填上 NaN (缺失值)。

# 會保留 df1 的所有 key ('A', 'B', 'C', 'D')
# 因為 'A' 在 df2 中不存在，所以 value2 的位置會是 NaN
left_join_df = pd.merge(df1, df2, on='key', how='left')
print(left_join_df)

輸出結果：
key value1 value2
0 A 1 NaN
1 B 2 5.0
2 C 3 6.0
3 D 4 7.0

right (右連接)

與 left 相反，以右邊的 df2 為主。

# 會保留 df2 的所有 key ('B', 'C', 'D', 'E')
# 因為 'E' 在 df1 中不存在，所以 value1 的位置會是 NaN
right_join_df = pd.merge(df1, df2, on='key', how='right')
print(right_join_df)

輸出結果：
key value1 value2
0 B 2.0 5
1 C 3.0 6
2 D 4.0 7
3 E NaN 8

outer (外連接)

最寬鬆的合併，保留兩張表中所有出現過的 key。任何一方缺失的值都會被填上 NaN。

# 會保留所有出現過的 key ('A', 'B', 'C', 'D', 'E')
outer_join_df = pd.merge(df1, df2, on='key', how='outer')
print(outer_join_df)

輸出結果：
key value1 value2
0 A 1.0 NaN
1 B 2.0 5.0
2 C 3.0 6.0
3 D 4.0 7.0
4 E NaN 8.0

實戰：回答老闆的問題
現在我們可以回答開頭的問題了：「哪個州的客戶，貢獻了最高的總銷售額？」

# 讀取需要的資料表
orders_df = pd.read_csv('../../data/olist_datasets/olist_orders_dataset.csv')
customers_df = pd.read_csv('../../data/olist_datasets/olist_customers_dataset.csv')
payments_df = pd.read_csv('../../data/olist_datasets/olist_order_payments_dataset.csv')

# 步驟 1: 將訂單與客戶表合併
orders_with_customers = pd.merge(orders_df, customers_df, on='customer_id', how='left')

# 步驟 2: 將合併後的結果，再與支付表合併
full_df = pd.merge(orders_with_customers, payments_df, on='order_id', how='left')

# 步驟 3: 使用 Day 22 學到的 groupby 進行分析
state_total_sales = full_df.groupby('customer_state')['payment_value'].sum()

print("各州總銷售額 (前十名):")
print(state_total_sales.sort_values(ascending=False).head(10))

輸出結果：
各州總銷售額 (前十名):
customer_state
SP 5998226.96
RJ 2144379.69
MG 1872257.26
RS 890898.54
PR 811156.38
SC 623086.43
BA 616645.82
DF 355141.08
GO 350092.31
ES 325967.55
Name: payment_value, dtype: float64

結語
今天我們掌握了 Pandas 中橫向整合資料的強大工具 pd.merge。學會了如何根據共同的「鑰匙」，以及 inner, left, right, outer 四種不同的合併策略，將分散在各處的資訊串連成一張有價值的寬表。

我們的數據準備與處理能力已經越來越完整。但是，Olist 數據集中還有一個非常重要的維度我們尚未深入探索——時間。明天，Day 24，我們將學習 Pandas 強大的時間序列處理能力，分析訂單在不同時間點的變化趨勢！