DataFrame 數(shù)據(jù)合并實現(xiàn)(merge，join，concat)
更新時間：2020年06月14日 10:53:44 作者：Python之簡
這篇文章主要介紹了DataFrame 數(shù)據(jù)合并實現(xiàn)(merge，join，concat)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧
merge
merge 函數(shù)通過一個或多個鍵將數(shù)據(jù)集的行連接起來。
場景：針對同一個主鍵存在的兩張包含不同特征的表，通過主鍵的鏈接，將兩張表進行合并。合并之后，兩張表的行數(shù)不增加，列數(shù)是兩張表的列數(shù)之和。
def merge(left, right, how='inner', on=None, left_on=None, right_on=None,
left_index=False, right_index=False, sort=False,
suffixes=('_x', '_y'), copy=True, indicator=False,
validate=None):
| 參數(shù) | 描述 |
|---|---|
| how | 數(shù)據(jù)融合的方法，從在不重合的鍵，方式（inner、outer、left、right） |
| on | 用來對齊的列名，一定要保證左表和右表存在相同的列名。 |
| left_on | 左表對齊的列，可以是列名。也可以是DataFrame同長度的arrays |
| right_on | 右表對齊的列，可以是列名。 |
| left_index | 將左表的index用作連接鍵 |
| right_index | 將右表的index用作連接鍵 |
| suffixes | 左右對象中存在重名列，結(jié)果區(qū)分的方式，后綴名。 |
| copy | 默認：True。將數(shù)據(jù)復制到數(shù)據(jù)結(jié)構(gòu)中，設置為False提高性能。 |
特性示例(1)
默認：以重疊的列名當作連接鍵
df1 = pd.DataFrame({'key': ['one', 'two', 'two'],
'data1': np.arange(3)})
df2 = pd.DataFrame({'key': ['one', 'three', 'three'],
'data2': np.arange(3)})
df3 = pd.merge(df1, df2)
print(df1)
print(df2)
print(df3)
key data1 0 one 0 1 two 1 2 two 2 key data2 0 one 0 1 three 1 2 three 2 key data1 data2 0 one 0 0
特性示例(2)
默認：做inner連接，取key的交集
連接方式還有l(wèi)eft right outer
df1 = pd.DataFrame({'key': ['one', 'two', 'two'],
'data1': np.arange(3)})
df2 = pd.DataFrame({'key': ['one', 'three', 'three'],
'data2': np.arange(3)})
df3 = pd.merge(df1, df2)
df4 = pd.merge(df1, df2, how='left')
print(df3)
print(df4)
key data1 data2 0 one 0 0 key data1 data2 0 one 0 0.0 1 two 1 NaN 2 two 2 NaN
特性示例(3)
多鍵連接時將連接鍵做成列表傳入。
on默認是兩者同時存在的列
df1 = pd.DataFrame({'key': ['one', 'two', 'two'],
'value': ['a', 'b', 'c'],
'data1': np.arange(3)})
df2 = pd.DataFrame({'key': ['one', 'two', 'three'],
'value': ['a', 'c', 'c'],
'data2': np.arange(3)})
df5 = pd.merge(df1, df2)
df6 = pd.merge(df1, df2, on=['key', 'value'], how='outer')
print(df5)
print(df6)
key value data1 data2 0 one a 0 0 1 two c 2 1 key value data1 data2 0 one a 0.0 0.0 1 two b 1.0 NaN 2 two c 2.0 1.0 3 three c NaN 2.0
特性示例(4)
兩個對象的列名不同，需要分別制定。
df7 = pd.merge(df1, df2, left_on=['key1','data1'], right_on=['key2','data2'], how='outer') print(df7)
key1 value_x data1 key2 value_y data2 0 one a 0.0 one a 0.0 1 two b 1.0 two c 1.0 2 two c 2.0 NaN NaN NaN 3 NaN NaN NaN three c 2.0
join
join方法將兩個DataFrame中不同的列索引合并成為一個DataFrame
參數(shù)的意義與merge基本相同，只是join方法默認左外連接how=left
def join(self, other, on=None, how='left', lsuffix='', rsuffix='',
sort=False):
示例
df1 = pd.DataFrame({'A': ['A0', 'A1', 'A1'],
'B': ['B0', 'B1', 'B2']},
index=['K0', 'K1', 'K2'])
df2 = pd.DataFrame({'C': ['C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2']},
index=['K0', 'K1', 'K3'])
df3 = df1.join(df2)
df4 = df1.join(df2, how='outer')
df5 = df1.join(df2, how='inner')
print(df3)
print(df4)
print(df5)
A B C D K0 A0 B0 C1 D0 K1 A1 B1 C2 D1 K2 A1 B2 NaN NaN A B C D K0 A0 B0 C1 D0 K1 A1 B1 C2 D1 K2 A1 B2 NaN NaN K3 NaN NaN C3 D2 A B C D K0 A0 B0 C1 D0 K1 A1 B1 C2 D1
concat
制定按某個軸進行連接（可橫向可縱向），也可以指定連接方法。
def concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False,
sort=None, copy=True):
| 屬性 | 描述 |
|---|---|
| objs | 合并的對象集合?？梢允荢eries、DataFrame |
| axis | 合并方法。默認0，表示縱向，1橫向 |
| join | 默認outer并集，inner交集。只有這兩種 |
| join_axes | 按哪些對象的索引保存 |
| ignore_index | 默認Fasle忽略。是否忽略原index |
| keys | 為原始DataFrame添加一個鍵，默認無 |
示例(1)
s1 = pd.Series(['a', 'b']) s2 = pd.Series(['c', 'd']) s3 = pd.concat([s1, s2]) s4 = pd.concat([s1, s2], ignore_index=True) print(s3) print(s4)
0 a 1 b dtype: object 0 c 1 d dtype: object 0 a 1 b 0 c 1 d dtype: object 0 a 1 b 2 c 3 d dtype: object
示例（2）
df1 = pd.DataFrame([['a', 1], ['b', 2]], columns=['A', 0]) df2 = pd.DataFrame([['a', 1], ['b', 2]], columns=['B', 0]) df3 = pd.concat([df1, df2], join='inner') print(df3)
0 0 1 1 2 0 1 1 2
示例（3）
df1 = pd.DataFrame([['a', 1], ['b', 2]], columns=['A', 0]) df2 = pd.DataFrame([['a', 1], ['b', 2]], columns=['B', 0]) df3 = pd.concat([df1, df2], axis=1, join_axes=[df1.index]) print(df3)
A 0 B 0 0 a 1 a 1 1 b 2 b 2
append
橫向和縱向同時擴充，不考慮columns和index
df1 = pd.DataFrame({'A': ['A0', 'A1', 'A1'],
'B': ['B0', 'B1', 'B2']},
index=['K0', 'K1', 'K2'])
s2 = pd.Series(['X0','X1'], index=['A','B'])
result = df1.append(s2, ignore_index=True)
print(result)
A B K0 A0 B0 K1 A1 B1 K2 A1 B2 A B 0 A0 B0 1 A1 B1 2 A1 B2 3 X0 X1
匯總
- concat：可以沿一條軸將多個對象連接到一起
- merge：可以根據(jù)一個或多個鍵將不同的DataFrame中的行連接起來。
- join：inner是交集，outer是并集。
到此這篇關于DataFrame 數(shù)據(jù)合并實現(xiàn)(merge，join，concat)的文章就介紹到這了,更多相關DataFrame 數(shù)據(jù)合并內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:
- 關于keras中keras.layers.merge的用法說明
- 淺談keras中的Merge層(實現(xiàn)層的相加、相減、相乘實例)
- C++實現(xiàn)歸并排序（MergeSort）
- 源碼解析JDK 1.8 中的 Map.merge()
- 詳解Python3 pandas.merge用法
- 詳解PANDAS 數(shù)據(jù)合并與重塑（join/merge篇）
- pandas dataframe的合并實現(xiàn)（append, merge, concat）
- CentOS7.4開機出現(xiàn)welcome to emergency mode的解決方法
- JPA merge聯(lián)合唯一索引無效問題解決方案
相關文章
通過Python實現(xiàn)自動填寫調(diào)查問卷
這篇文章主要介紹了通過Python實現(xiàn)自動填寫調(diào)查問卷的相關資料,需要的朋友可以參考下2017-09-09
在本篇文章里小編給大家整理的是關于Python的wx模塊創(chuàng)建文本編輯器方法，需要的朋友們可以參考下。2020-06-06
python通過函數(shù)名調(diào)用函數(shù)的幾種方法總結(jié)
今天帶大家學習的是怎么使用python通過函數(shù)名調(diào)用函數(shù),文中對python通過函數(shù)名調(diào)用函數(shù)的幾種方法有非常詳細的介紹,需要的朋友可以參考下2021-06-06
這篇文章主要介紹了python 制作python包,封裝成可用模塊教程，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-07-07
Python 實現(xiàn)數(shù)據(jù)結(jié)構(gòu)中的的棧隊列
這篇文章主要介紹了Python 實現(xiàn)數(shù)據(jù)結(jié)構(gòu)中的的棧，隊列,本文給大家介紹的非常詳細，具有一定的參考借鑒價值，需要的朋友可以參考下2019-05-05
python numpy 反轉(zhuǎn) reverse示例
今天小編就為大家分享一篇python numpy 反轉(zhuǎn) reverse示例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
最近在用keras寫模型的時候，參考別人代碼時，經(jīng)常能看到各種不同的metrics，因此會產(chǎn)生幾個問題，下面主要介紹了Python keras.metrics源代碼分析2022-11-11
本文主要介紹了Python隨機生成迷宮游戲的代碼示例，Python可以通過生成二維數(shù)組模擬迷宮的結(jié)構(gòu)，使用深度優(yōu)先搜索和廣度優(yōu)先搜索等算法找到通路，文中通過示例代碼介紹的非常詳細，需要的朋友們下面隨著小編來一起學習學習吧2023-07-07
這篇文章主要介紹了python內(nèi)置模塊collections詳解,collections是Python內(nèi)建的一個集合模塊,提供了許多有用的集合類,python提供了很多非常好用的基本類型,比如不可變類型tuple,我們可以輕松地用它來表示一個二元向量,需要的朋友可以參考下2023-09-09
在本篇文章里小編給大家整理的是一篇關于Python命令行運行文件的實例方法，有興趣的朋友們可以學習參考下。2021-03-03