pd.concat([data1, data2], axis=1)

• 按照行或列进行合并,axis=0为列索引，axis=1为行索引

data.head()

	open	high	close	low	volume	price_change	p_change	ma5	ma10	ma20	v_ma5	v_ma10	v_ma20	turnover
2018-02-27	23.53	25.88	24.16	23.53	95578.03	0.63	2.68	22.942	22.142	22.875	53782.64	46738.65	55576.11	2.39
2018-02-26	22.80	23.78	23.53	22.80	60985.11	0.69	3.02	22.406	21.955	22.942	40827.52	42736.34	56007.50	1.53
2018-02-23	22.88	23.37	22.82	22.71	52914.01	0.54	2.42	21.938	21.929	23.022	35119.58	41871.97	56372.85	1.32
2018-02-22	22.25	22.76	22.28	22.02	36105.01	0.36	1.64	21.446	21.909	23.137	35397.58	39904.78	60149.60	0.90
2018-02-14	21.49	21.99	21.92	21.48	23331.04	0.44	2.05	21.366	21.923	23.253	33590.21	42935.74	61716.11	0.58

dummies.head()

	rise_(-100, -7]	rise_(-7, -5]	rise_(-5, -3]	rise_(-3, 0]	rise_(0, 3]	rise_(3, 5]	rise_(5, 7]	rise_(7, 100]
2018-02-27	0	0	0	0	1	0	0	0
2018-02-26	0	0	0	0	0	1	0	0
2018-02-23	0	0	0	0	1	0	0	0
2018-02-22	0	0	0	0	1	0	0	0
2018-02-14	0	0	0	0	1	0	0	0

# 按照行索引进行
pd.concat([data, dummies], axis=1)

open	high	close	low	volume	price_change	p_change	ma5	ma10	ma20	...	v_ma20	turnover	rise_(-100, -7]	rise_(-7, -5]	rise_(-5, -3]	rise_(-3, 0]	rise_(0, 3]	rise_(3, 5]	rise_(5, 7]	rise_(7, 100]
2018-02-27	23.53	25.88	24.16	23.53	95578.03	0.63	2.68	22.942	22.142	22.875	...	55576.11	2.39	0	0	0	0	1	0	0	0
2018-02-26	22.80	23.78	23.53	22.80	60985.11	0.69	3.02	22.406	21.955	22.942	...	56007.50	1.53	0	0	0	0	0	1	0	0
2018-02-23	22.88	23.37	22.82	22.71	52914.01	0.54	2.42	21.938	21.929	23.022	...	56372.85	1.32	0	0	0	0	1	0	0	0
2018-02-22	22.25	22.76	22.28	22.02	36105.01	0.36	1.64	21.446	21.909	23.137	...	60149.60	0.90	0	0	0	0	1	0	0	0
2018-02-14	21.49	21.99	21.92	21.48	23331.04	0.44	2.05	21.366	21.923	23.253	...	61716.11	0.58	0	0	0	0	1	0	0	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
2015-03-06	13.17	14.48	14.28	13.13	179831.72	1.12	8.51	13.112	13.112	13.112	...	115090.18	6.16	0	0	0	0	0	0	0	1
2015-03-05	12.88	13.45	13.16	12.87	93180.39	0.26	2.02	12.820	12.820	12.820	...	98904.79	3.19	0	0	0	0	1	0	0	0
2015-03-04	12.80	12.92	12.90	12.61	67075.44	0.20	1.57	12.707	12.707	12.707	...	100812.93	2.30	0	0	0	0	1	0	0	0
2015-03-03	12.52	13.06	12.70	12.52	139071.61	0.18	1.44	12.610	12.610	12.610	...	117681.67	4.76	0	0	0	0	1	0	0	0
2015-03-02	12.25	12.67	12.52	12.20	96291.73	0.32	2.62	12.520	12.520	12.520	...	96291.73	3.30	0	0	0	0	1	0	0	0

643 rows × 22 columns

pd.concat实现数据合并相关推荐

1. pd.concat() Pandas 数据的拼接

   pd.concat()  python API          官方参考链接    参考链接一    参考链接二 pandas.concat( objs, axis=0, join='outer', ...

2. Pandas8_高级处理-数据离散化和数据合并

   import numpy as np import pandas as pd 数据离散化 什么是数据离散化? 连续属性的离散化就是在连续属性的值域上,将值域划分为若干个离散的区间,最后用不同的符号或整 ...

3. pandas学习(数据分组与分组运算、离散化处理、数据合并)

   pandas学习(数据分组与分组运算.离散化处理.数据合并) 目录 数据分组与分组运算 离散化处理 数据合并 数据分组与分组运算 GroupBy技术:实现数据的分组,和分组运算,作用类似于数据透视表数 ...

4. pandas使用pd.concat纵向合并多个dataframe实战：纵向合并(ignore_index参数)、为纵向合并的多个dataframe设置标识符指定数据来源(通过字典方式设置数据来源键)

   pandas使用pd.concat纵向合并多个dataframe实战:多个dataframe的纵向合并(ignore_index参数).为纵向合并的多个dataframe设置标识符指定数据来源(通过字 ...

5. pandas使用pd.concat纵向合并多个dataframe实战：多个dataframe的纵向合并、为纵向合并的多个dataframe设置标识符指定数据来源

   pandas使用pd.concat纵向合并多个dataframe实战:多个dataframe的纵向合并.为纵向合并的多个dataframe设置标识符指定数据来源 目录

6. 数据合并中pd.merge()和pd.concat()区别

   https://mp.weixin.qq.com/s?src=11&timestamp=1619685662&ver=3037&signature=3fZ7EE4fw8Ddfe ...

7. pandas 数据合并 pd.join() pd.merge() pd.crosstab() pd.concat()

   文章目录 pd.join() pd.merge() pd.merge(left, right, how='inner', left_on=None, right_on=None...)形式 按照一列进 ...

8. pandas数据合并与重塑（pd.concat篇）

   1 concat concat函数是在pandas底下的方法,可以将数据根据不同的轴作简单的融合 pd.concat(objs, axis=0, join='outer', join_axes=Non ...

9. pandas数据合并之pd.concat()用法

   一.简介 pd.concat()函数可以沿着指定的轴将多个dataframe或者series拼接到一起. 基本语法: pd.concat( objs, axis=0, join='outer', jo ...

10. PANDAS 数据合并与重塑（concat篇） 原创 2016年09月13日 19:26:30 47784 pandas作者Wes McKinney 在【PYTHON FOR DATA ANALYS

    PANDAS 数据合并与重塑(concat篇) 原创 2016年09月13日 19:26:30 标签: 47784 编辑 删除 pandas作者Wes McKinney 在[PYTHON FOR DA ...

最新文章

1. ORACLE 数据泵导入导出数据
2. MySQL数据库数据类型以及INT（M）的含义
3. 告警系统邮件引擎、运行告警系统
4. Quick BI 的模型设计与生成SQL原理剖析
5. 提高收益 酒店大数据之客户数据收集
6. osgEarth使用没有DX的Triton库Triton-MT-DLL-NODX.lib
7. aws 堆栈模板_使用Arquillian和LocalStack脱机测试AWS云堆栈
8. 当前标签: Entity Framework
9. 基于STC89C52的韦根数据接收
10. python list去重时间复杂度_List集合去重的一种方法 z
11. Spring中配置Hibernate事务的四种方式
12. vgp虚拟路面_长安大学工程机械国家虚拟仿真实验教学中心|公路路面摊铺施工虚拟仿真实验|...
13. beyond compare 4.2.9桌面右键集成的问题修复
14. 20170831_安装软件
15. host=‘api.github.com‘, port=443): Max retries exceeded with url
16. [软件开发] 基于Qt开发的一款免费取色器软件 - TakeColor
17. 计算机论文的研究思路与方法,硕士论文中研究方法怎么写 介绍3种简单的方法...
18. Gif动态图片怎么做？如何快速生成gif动图？
19. 170816 Ubuntu-Nvidia CUDA+Driver+cuDNN installation-Titan Xp
20. epr系统服务器配置,erp系统云服务器配置要求

热门文章

1. 从零开始，耗时两年，19岁小伙自制一块32位Risc-V处理器，可玩「贪吃蛇」
2. java虚拟机内存情况检测,测试啦啦啦啦啦1111
3. Http request传输图片和附属信息（old）
4. PCB板子焊接注意事项及小技巧
5. Greenplum小把戏 - 官方布尔类型转换为文本类型(bool to text)的进步
6. Gimp 替换白色背景
7. 插件化框架集成-360插件框架DroidPlug
8. c语言 strcpy作用,c语言中的strcpy什么意思，简单点解释
9. 排水管网信息系统、市政排水管网信息化智慧化管理
10. 让你的电脑装上Remix os 技德