pd.concat实现数据合并
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
- 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', ...
- 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 ...
- 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 ...
- 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 ...
- 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
- 数据合并中pd.merge()和pd.concat()区别
https://mp.weixin.qq.com/s?src=11×tamp=1619685662&ver=3037&signature=3fZ7EE4fw8Ddfe ...
- 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 ...
- 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 ...
- 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 ...
- 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
- ORACLE 数据泵导入导出数据
- MySQL数据库数据类型以及INT(M)的含义
- 告警系统邮件引擎、运行告警系统
- Quick BI 的模型设计与生成SQL原理剖析
- 提高收益 酒店大数据之客户数据收集
- osgEarth使用没有DX的Triton库Triton-MT-DLL-NODX.lib
- aws 堆栈模板_使用Arquillian和LocalStack脱机测试AWS云堆栈
- 当前标签: Entity Framework
- 基于STC89C52的韦根数据接收
- python list去重时间复杂度_List集合去重的一种方法 z
- Spring中配置Hibernate事务的四种方式
- 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|...
- beyond compare 4.2.9桌面右键集成的问题修复
- 20170831_安装软件
- host=‘api.github.com‘, port=443): Max retries exceeded with url
- [软件开发] 基于Qt开发的一款免费取色器软件 - TakeColor
- 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...
- Gif动态图片怎么做?如何快速生成gif动图?
- 170816 Ubuntu-Nvidia CUDA+Driver+cuDNN installation-Titan Xp
- epr系统服务器配置,erp系统云服务器配置要求