这篇“Python的concat与merge函数怎么使用”文章的知识点大部分人都不太理解,所以小编给大家总结了以下内容,内容详细,步骤清晰,具有一定的借鉴价值,希望大家阅读完这篇文章能有所收获,下面我们一起来看看这篇“Python的concat与merge函数怎么使用”文章吧。
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。
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
pd.concat([df1,df2],join='outer',axis=1)
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)
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'])
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
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 pdimport numpy as npfrom 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
以上就是关于“Python的concat与merge函数怎么使用”这篇文章的内容,相信大家都有了一定的了解,希望小编分享的内容对大家有帮助,若想了解更多相关的知识内容,请关注亿速云行业资讯频道。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。