快捷導(dǎo)航

Pandas中Concat與Append的實(shí)現(xiàn)與區(qū)別小結(jié)

更新時(shí)間：2023年11月22日 09:30:27 作者：阿松愛睡覺

本文主要介紹了Pandas中Concat與Append的實(shí)現(xiàn)與區(qū)別小結(jié),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

# Series合并
ser1 = pd.Series(['A', 'B', 'C'], index=[1, 2, 3])
ser2 = pd.Series(['D', 'E', 'F'], index=[4, 5, 6])
pd.concat([ser1,ser2])
Out：
 1 A 
 2 B 
 3 C 
 4 D 
 5 E 
 6 F 
 dtype: object
 
# DataFrame合并，將concat的axis參數(shù)設(shè)置為1即可橫向合并
df1 = pd.DataFrame([["A1","B1"],["A2","B2"]],index=[1,2],columns=["A","B"])
df2 = pd.DataFrame([["A3","B3"],["A4","B4"]],index=[3,4],columns=["A","B"])
pd.concat([df1,df2])
Out：
    A  B
 1 A1 B1 
 2 A2 B2 
 3 A3 B3 
 4 A4 B4

合并時(shí)索引的處理

np.concatenate與pd.concat最主要的差異之一就是Pandas在合并時(shí)會(huì)保留索引，即使索引是重復(fù)的！

df3 = pd.DataFrame([["A1","B1"],["A2","B2"]],index=[1,2],columns=["A","B"])
df4 = pd.DataFrame([["A1","B1"],["A2","B2"]],index=[1,2],columns=["A","B"])
pd.concat([df3,df4])
Out：
    A  B
 1 A1 B1 
 2 A2 B2 
 1 A3 B3 
 2 A4 B4

如果你想要檢測(cè)pd.concat()合并的結(jié)果中是否出現(xiàn)了重復(fù)的索引，可以設(shè)置verify_integrity參數(shù)。將參數(shù)設(shè)置為True，合并時(shí)若有索引重復(fù)就會(huì)觸發(fā)異常。

try: 
 pd.concat([df3, df4], verify_integrity=True) 
except ValueError as e: 
 print("ValueError:", e)
Out：
ValueError: Indexes have overlapping values: [0, 1]

有時(shí)索引無(wú)關(guān)緊要，那么合并時(shí)就可以忽略它們，可以通過(guò)設(shè)置 ignore_index參數(shù)為True來(lái)實(shí)現(xiàn)。

pd.concat([df3,df4],ignore_index=True)
Out：
   A B 
0 A0 B0 
1 A1 B1 
2 A2 B2 
3 A3 B3

另一種處理索引重復(fù)的方法是通過(guò)keys參數(shù)為數(shù)據(jù)源設(shè)置多級(jí)索引標(biāo)簽，這樣結(jié)果數(shù)據(jù)就會(huì)帶上多級(jí)索引。

pd.concat([df3, df4], keys=['x', 'y'])
Out：
     A B 
x 0 A0 B0 
  1 A1 B1 
y 0 A2 B2 
  1 A3 B3

join和join_axes參數(shù)

前面介紹的簡(jiǎn)單示例都有一個(gè)共同特點(diǎn)，那就是合并的DataFrame都是同樣的列名。而在實(shí)際工作中，需要合并的數(shù)據(jù)往往帶有不同的列名，而 pd.concat提供了一些參數(shù)來(lái)解決這類合并問(wèn)題。

df5 = pd.DataFrame([["A1","B1","C1"],["A2","B2","C2"]],index=[1,2],columns=["A","B","C"])
df6 = pd.DataFrame([["B3","C3","D3"],["B4","C4","D4"]],index=[3,4],columns=["B","C","D"])
pd.concat([df5,df6])
Out：
    A  B  C  D
 1 A1  B1 C1 NaN
 2 A2  B2 C2 NaN
 3 NaN B3 C3 D3
 4 NaN B4 C4 D4

可以看到，結(jié)果中出現(xiàn)了缺失值，如果不想出現(xiàn)缺失值，可以使用join和join_axes參數(shù)。

pd.concat([df5,df6],join="inner") # 合并取交集
Out：
    B C 
 1 B1 C1 
 2 B2 C2 
 3 B3 C3 
 4 B4 C4
# join_axes的參數(shù)需為一個(gè)列表索引對(duì)象
pd.concat([df5,df6],join_axes=[pd.Index(["B","C"])])
Out：
    B C 
 1 B1 C1 
 2 B2 C2 
 3 B3 C3 
 4 B4 C4

append()方法

因?yàn)橹苯舆M(jìn)行數(shù)組合并的需求非常普遍，所以Series和DataFrame 對(duì)象都支持append方法，讓你通過(guò)最少的代碼實(shí)現(xiàn)合并功能。例如，df1.append(df2)效果與pd.concat([df1,df2])一樣。

但是它和Python中的append不一樣，每次使用Pandas中的append()都需要重新創(chuàng)建索引和數(shù)據(jù)緩存。

到此這篇關(guān)于Pandas中Concat與Append的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)Pandas Concat與Append內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)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: