【Python数据分析】之数据合并的concat函数与merge函数
文章目录
- 系列文章
- 一、concat函数
- 1)横向堆叠与外连接
- 横向堆叠合并df1和df2,采用==外连接==的方式
- 2) 纵向堆叠与内链接
- 二、merge()函数
- 1)根据行索引合并数据
- 2)合并重叠数据
系列文章
- Python之Series和DataFrame的数据排序
- Python数据分析之复习知识点
一、concat函数
- concat()函数可以沿着一条轴将多个对象进行堆叠,其使用方式类似数据库中的数据表合并
pandas.concat(objs, axis=0, join=’outer’, join_axes=None, ignore_index=False, keys=None, levels=None, verify_integrity=False, sort=None, copy=True) - 参数含义如下:
参数 | 作用 |
---|---|
axis | 表示连接的轴向,可以为0或者1,默认为0 |
join | 表示连接的方式,inner表示内连接,outer表示外连接,默认使用外连接 |
ignore_index | 接收布尔值,默认为False。如果设置为True,则表示清除现有索引并重置索引值 |
keys | 接收序列,表示添加最外层索引 |
levels | 用于构建MultiIndex的特定级别(唯一值) |
names | 设置了keys和level参数后,用于创建分层级别的名称 |
verify_integerity | 检查新的连接轴是否包含重复项。接收布尔值,当设置为True时,如果有重复的轴将会抛出错误,默认为False |
- 根据轴方向的不同,可以将堆叠分成横向堆叠与纵向堆叠,默认采用的是纵向堆叠方式
- 在堆叠数据时,默认采用的是外连接(join参数设为outer)的方式进行合并,当然也可以通过join=inner设置为内连接的方式。
1)横向堆叠与外连接
import pandas as pd
df1=pd.DataFrame({'A':['A0','A1','A2'],'B':['B0','B1','B2']})
df1
df2=pd.DataFrame({'C':['C0','C1','C2'],'D':['D0','D1','D2']})
df2
横向堆叠合并df1和df2,采用外连接的方式
pd.concat([df1,df2],join='outer',axis=1)
2) 纵向堆叠与内链接
import pandas as pd
first=pd.DataFrame({'A':['A0','A1','A2'],'B':['B0','B1','B2'],'C':['C0','C1','C2']})
first
second=pd.DataFrame({'B':['B3','B4','B5'],'C':['C3','C4','C5'],'D':['D3','D4','D5']})
second
- 当使用concat()函数合并时,若是将axis参数的值设为0,且join参数的值设为inner,则代表着使用纵向堆叠与内连接的方式进行合并
pd.concat([first,second],join='inner',axis=0)
二、merge()函数
1)主键合并数据
- 在使用merge()函数进行合并时,默认会使用重叠的列索引做为合并键,并采用内连接方式合并数据,即取行索引重叠的部分。
import pandas as pd
left=pd.DataFrame({'key':['K0','K1','K2'],'A':['A0','A1','A2'],'B':['B0','B1','B2']})
left
right=pd.DataFrame({'key':['K0','K1','K2','K3'],'C':['C0','C1','C2','C3'],'D':['D0','D1','D2','D3']})
right
pd.merge(left,right,on='key')
2)merge()函数还支持对含有多个重叠列的DataFrame对象进行合并。
import pandas as pd
data1=pd.DataFrame({'key':['K0','K1','K2'],'A':['A0','A1','A2'],'B':['B0','B1','B2']})
data1
data2=pd.DataFrame({'key':['K0','K5','K2','K4'],'B':['B0','B1','B2','B5'],'C':['C0','C1','C2','C3'],'D':['D0','D1','D2','D3']})
data2
pd.merge(data1,data2,on=['key','B'])
1)根据行索引合并数据
- join()方法能够通过索引或指定列来连接多个DataFrame对象
- join(other,on = None,how =‘left’,lsuffix =‘’,rsuffix =‘’,sort = False )
参数 | 作用 |
---|---|
on | 名称,用于连接列名 |
how | 可以从{‘‘left’’ ,‘‘right’’, ‘‘outer’’, ‘‘inner’’}中任选一个,默认使用左连接的方式。 |
sort | 根据连接键对合并的数据进行排序,默认为False |
import pandas as pd
data3=pd.DataFrame({'A':['A0','A1','A2'],'B':['B0','B1','B2']})
data3
data4=pd.DataFrame({'C': ['C0', 'C1', 'C2'],'D': ['D0', 'D1', 'D2']},index=['a','b','c'])
data3.join(data4,how='outer') # 外连接
data3.join(data4,how='left') #左连接
data3.join(data4,how='right') #右连接
data3.join(data4,how='inner') #内连接
import pandas as pd
left = pd.DataFrame({'A': ['A0', 'A1', 'A2'],'B': ['B0', 'B1', 'B2'],'key': ['K0', 'K1', 'K2']})
left
right = pd.DataFrame({'C': ['C0', 'C1','C2'],'D': ['D0', 'D1','D2']},index=['K0', 'K1','K2'])
right
on参数指定连接的列名
left.join(right,how='left',on='key') #on参数指定连接的列名
2)合并重叠数据
当DataFrame对象中出现了缺失数据,而我们希望使用其他DataFrame对象中的数据填充缺失数据,则可以通过combine_first()方法为缺失数据填充。
import pandas as pd
import numpy as np
from numpy import NAN
left = pd.DataFrame({'A': [np.nan, 'A1', 'A2', 'A3'],'B': [np.nan, 'B1', np.nan, 'B3'],'key': ['K0', 'K1', 'K2', 'K3']})
left
right = pd.DataFrame({'A': ['C0', 'C1','C2'],'B': ['D0', 'D1','D2']},index=[1,0,2])
right
用right的数据填充left缺失的部分
left.combine_first(right) # 用right的数据填充left缺失的部分
【Python数据分析】之数据合并的concat函数与merge函数相关推荐
- 【Python】图解Pandas数据合并:concat、join、append
公众号:尤而小屋 作者:Peter 编辑:Peter 图解pandas数据合并:concat+join+append 在上一篇文章中介绍过pandas中最为常用的一个合并函数merge的使用,本文中介 ...
- 【python数据分析】数据如何进行合并
数据的合并 在拥有了数据基本筛选能力后,我们还要有更加nb的操作,接下来就学习如何利用Pandas合并多个DataFrame数据,以及筛选我们心仪的数据.在数据合并里面主要讲两个函数的用法 1️⃣Co ...
- pandas数据合并:concat、join、append
公众号:尤而小屋 作者:Peter 编辑:Peter 大家好,我是Peter~ 图解pandas数据合并:concat+join+append 在上一篇文章中介绍过pandas中最为常用的一个合并函数 ...
- Python 数据分析三剑客之 NumPy(四):字符串函数总结与对比
CSDN 课程推荐:<Python 数据分析与挖掘>,讲师刘顺祥,浙江工商大学统计学硕士,数据分析师,曾担任唯品会大数据部担任数据分析师一职,负责支付环节的数据分析业务.曾与联想.亨氏.网 ...
- 视频教程-数据挖掘基础:零基础学Python数据分析-大数据
数据挖掘基础:零基础学Python数据分析 辽宁师范大学教师,特聘教授,硕士生导师.大数据与商务智能实验室主任. 李洪磊 ¥198.00 立即订阅 扫码下载「CSDN程序员学院APP」,1000+技术 ...
- python逐笔输入数据_知到智慧树Python数据分析与数据可视化结课测验
知到智慧树Python数据分析与数据可视化结课测验答案 更多相关问题 已知三角形三个顶点的坐标是A(-1,2,3),B(1,1,1),C(0,0,5),试证三角形ABC是直角三角形,并求角B-- Wh ...
- Python数据分析——Matplotlib数据可视化基础(二)
Python数据分析--Matplotlib数据可视化基础(二) 思维导图: 图形的绘制 认识要绘制的图形 基本绘图流程 pyplot基础图表函数 pyplot饼图的绘制 pie函数 matplotl ...
- Python数据分析中数据预处理:编码将文字型数据转换为数值型
[小白从小学Python.C.Java] [Python-计算机等级考试二级] [Python-数据分析] Python数据分析中 数据预处理:编码 将文字型数据转换为数值型 选择题 对于以下pyth ...
- python集合中的元素不允许重复_Python语言中同一个集合中的元素不会重复,每个元素都是唯一的。-智慧树Python数据分析与数据可视化章节答案...
Python数据分析与数据可视化:Python语言中同一个集合中的元素不会重复,每个元素都是唯一的.[?ж???] A:对 B:错 Python数据分析与数据可视化章节测试答案: 对 更多相关问题 智 ...
最新文章
- 对汉诺塔递归算法的理解(图解,附完整代码实现)
- OpenEIM以前在合作伙伴做的时候
- wordpress插件-Media folder插件汉化版_优化加速插件
- php curl 伪造IP来源的代码分享
- 【emWin】例程二十二:窗口对象——Framewin
- html 中加flash,用HTML代码添加FLASH
- Ubuntu18.04安装后检测不到集成声卡问题
- 微信支付-JASPI:准备工作[微信公众平台配置,微信商户平台配置]
- 钉钉企业微信与飞书模式区别
- 数据压缩1 | 浊音清音爆破音时域及频域特性
- 顶点式超级计算机吗,有没有数学解题软件
- 男人买鞋有点难——中国十大皮鞋
- Android简单学习使用PictureSelector框架图片选取裁剪
- Linux tar命令详解
- keras Mask Rcnn代码走读(九)-detect方法介绍
- 51单片机-串口通信
- unas基于_UNAS 2.0 Ushare Edition系统 NAS 软件 固件 收费版支持更新
- 项目上线 | 兰精携手盖雅工场,数智驱动绿色转型
- 线索化二叉树及其遍历
- 图像去雾算法的原理、实现、效果
热门文章
- 项目经验之谈--驱动崩溃分析之栈回溯技术与反汇编
- 单片机外围电路:电阻(1)
- Linux:CPU状态信息us,sy,ni,id,wa,hi,si,st含义
- vue父子组件及非父子组件之间的传值
- 电子计算机显示屏不亮了,电脑显示屏不亮怎么回事|电脑显示屏不亮如何处理...
- 2013互联网公司找工作--大牛总结(ZJU)
- (项目部署)day60javaEE基础查漏补缺
- Android 滚动字幕实现
- 转自菜头 英超,给技术人员一点时间
- 防骗指南-披着交友恋爱的外衣,诱骗受害者赌博转钱