資訊專欄INFORMATION COLUMN
小編寫這篇文章的主要目的，主要是給大家做個詳細的解答，詳細的解答關于python DataFrame相關方面的知識，希望可以為各位讀者帶來更多的幫助。
python DataFrame的合并方法
Python的Pandas針對DataFrame,Series提供了多個合并函數(shù)，通過參數(shù)的調(diào)整可以輕松實現(xiàn)DatafFrame的合并。
首先，定義3個DataFrame df1,df2,df3，進行concat、merge、append函數(shù)的實驗。
df1=pd.DataFrame([[1,2,3],[2,3,4]],columns=['a','b','c']) df2=pd.DataFrame([[2,3,4],[3,4,5]],columns=['a','b','c']) df3=pd.DataFrame([[1,2,3],[2,3,4]],columns=['a','b','d']) df1 a b c 0 1 2 3 1 2 3 4 df2 a b c 0 2 3 4 1 3 4 5 df3 a b d 0 1 2 3 1 2 3 4
#concat函數(shù)
pandas中concat函數(shù)的完整表達，包含多個參數(shù)，常用的有axis,join,ignore_index.
concat函數(shù)的第一個參數(shù)為objs，一般為一個list列表，包含要合并兩個或多個DataFrame，多個Series
pandas.concat(objs,axis=0,join='outer',join_axes=None,ignore_index=False, keys=None,levels=None,names=None,verify_integrity=False, copy=True)
1.axis表示合并方向，默認axis=0，兩個DataFrame按照索引方向縱向合并,axis=1則會按照columns橫向合并。
pd.concat([df1,df2],axis=1) a b c a b c 0 1 2 3 2 3 4 1 2 3 4 3 4 5
2.join表示合并方式，默認join=‘outer’，另外的取值為’inner’,只合并相同的部分，axis=0時合并結(jié)果為相同列名的數(shù)據(jù)，axis=1時為具有相同索引的數(shù)據(jù)
pd.concat([df2,df3],axis=0,join='inner') a b 0 2 3 1 3 4 0 1 2 1 2 3 pd.concat([df2,df3],axis=1,join='inner') a b c a b d 0 2 3 4 1 2 3 1 3 4 5 2 3 4
3.ignore_index表示索引的合并方式，默認為False，會保留原df的索引，如果設置ignore_index=True，合并后的df會重置索引。
pd.concat([df1,df2],ignore_index=True) a b c 0 1 2 3 1 2 3 4 2 2 3 4 3 3 4 5
#merge函數(shù)
merge函數(shù)是pandas提供的一種數(shù)據(jù)庫式的合并方法。
on可以指定合并的列、索引，how則是與數(shù)據(jù)庫join函數(shù)相似，取值為left,right,outer,inner.left,right分別對應left outer join,right outer join.
pandas.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):merge函數(shù)可以通過pandas.merge(df1,df2)、df1.merge(df2)兩種形式來實現(xiàn)兩個DataFrame的合并,df1.merge(df2)是默認left=self的情況。
df_merge=df1.merge(df3,on=['a','b']) a b c d 0 1 2 3 3 1 2 3 4 4
#append函數(shù)
append函數(shù)是pandas針對DataFrame、Series等數(shù)據(jù)結(jié)構合并提供的函數(shù)。
df1.append(self,other,ignore_index=False,verify_integrity=False)
df1.append(df2)與pd.concat([df1,df2],ignore_index=False)具有相同的合并結(jié)果
df1.append(df2) a b c 0 1 2 3 1 2 3 4 0 2 3 4 1 3 4 5
把兩個dataframe合并成一個
merage
result=pd.merge(對象1,對象2,on='key')
2.append
result=df1.append(df2) result=df1.append([df2,df3]) result=df1.append(df4,ignore_index=True)
3.join
result=left.join(right,on=['key1','key2'],how='inner')
4.concat
pd.concat(objs,axis=0,join='outer',join_axes=None,ignore_index=False, keys=None,levels=None,names=None,verify_integrity=False, copy=True) frames=[df1,df2,df3] result=pd.concat(frames) result=pd.concat(frames,keys=['x','y','z']) result=pd.concat([df1,df4],ignore_index=True)
上文就為大家介紹完畢了，希望能給大家?guī)硪欢ǖ膸椭?/p>
文章版權歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址：http://www.ezyhdfw.cn/yun/127776.html
摘要：一基礎運算二通過上一節(jié)的學習，我們可以了解到一部分矩陣中元素的計算和查找操作。相應的，在矩陣的個元素中，最小值即，對應索引，最大值為，對應索引為。確認是否與相同。要使用，首先需要了解他主要兩個數(shù)據(jù)結(jié)構和。 這一節(jié)繼續(xù)學習Numpy和Pandas。 一、numpy基礎運算二 通過上一節(jié)的學習，我們可以了解到一部分矩陣中元素的計算和查找操作。然而在日常使用中，對應元素的索引也是非常重要的。...
摘要：數(shù)據(jù)規(guī)整化清理轉(zhuǎn)換合并重塑數(shù)據(jù)聚合與分組運算數(shù)據(jù)規(guī)整化清理轉(zhuǎn)換合并重塑合并數(shù)據(jù)集可根據(jù)一個或多個鍵將不同中的行鏈接起來。函數(shù)根據(jù)樣本分位數(shù)對數(shù)據(jù)進行面元劃分。字典或，給出待分組軸上的值與分組名之間的對應關系。 本篇內(nèi)容為整理《利用Python進行數(shù)據(jù)分析》，博主使用代碼為 Python3，部分內(nèi)容和書本有出入。 在前幾篇中我們介紹了 NumPy、pandas、matplotlib 三個...
摘要：在這些情況下，了解如何從標準列表或字典創(chuàng)建會很有幫助。大多數(shù)人會注意到列的順序看起來不對。這個問題出現(xiàn)的原因是標準的字典不保留其鍵的順序。列表從創(chuàng)建的另一個選擇是將數(shù)據(jù)包含在列表結(jié)構中。 介紹 每當我使用pandas進行分析時，我的第一個目標是使用眾多可用選項中的一個將數(shù)據(jù)導入Pandas的DataFrame 。對于絕大多數(shù)情況下，我使用的 read_excel ， read_csv ...
摘要：查看數(shù)據(jù)的基本統(tǒng)計信息。用處是用于數(shù)據(jù)讀寫處理更改提取等一系列操作的包，可以說，所有能實現(xiàn)的功能，都可以通過代碼輕松實現(xiàn)，因此，對于學習非常重要。如果在里，需要翻到最低和最右，而且可能由于溢出無法窮盡可以簡單的實現(xiàn)。 放在前面的話? ? ????? ? ? ?? ????????這學期刻意少...
閱讀 1066·2023-01-14 11:38
閱讀 1062·2023-01-14 11:04
閱讀 901·2023-01-14 10:48
閱讀 2377·2023-01-14 10:34
閱讀 1147·2023-01-14 10:24
閱讀 1026·2023-01-14 10:18
閱讀 654·2023-01-14 10:09
閱讀 733·2023-01-14 10:02
