python中怎么利用pandas合并數(shù)據(jù)

python中怎么利用pandas合并數(shù)據(jù)，相信很多沒有經(jīng)驗(yàn)的人對(duì)此束手無(wú)策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個(gè)問題。

Pandas有concat、append、join和merge四種方法用于dataframe拼接，

concat、append、join、merge 區(qū)別如下：

1、.concat()：pandas的頂級(jí)方法，提供了axis設(shè)置可用于df間行方向（增加行，下同）或列方向（增加列，下同）進(jìn)行內(nèi)聯(lián)或外聯(lián)拼接操作

2、.append()：dataframe數(shù)據(jù)類型的方法，提供了行方向的拼接操作

3、.join()：dataframe數(shù)據(jù)類型的方法，提供了列方向的拼接操作，支持左聯(lián)、右聯(lián)、內(nèi)聯(lián)和外聯(lián)四種操作類型

4、.merge()：pandas的頂級(jí)方法，提供了類似于SQL數(shù)據(jù)庫(kù)連接操作的功能，支持左聯(lián)、右聯(lián)、內(nèi)聯(lián)和外聯(lián)等全部四種SQL連接操作類型

concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,

           keys=None, levels=None, names=None, verify_integrity=False,

           copy=True)

"""

常用參數(shù)說(shuō)明：

axis：拼接軸方向，默認(rèn)為0，沿行拼接；若為1，沿列拼接

join：默認(rèn)外聯(lián)'outer'，拼接另一軸所有的label，缺失值用NaN填充；內(nèi)聯(lián)'inner'，只拼接另一軸相同的label；

join_axes: 指定需要拼接的軸的labels，可在join既不內(nèi)聯(lián)又不外聯(lián)的時(shí)候使用

ignore_index：對(duì)index進(jìn)行重新排序

keys：多重索引

"""

import pandas as pddef df_maker(cols, idxs):    return pd.DataFrame({c:[c+str(i) for i in idxs] for c in cols}, index=idxs)
df1 = df_maker('abc',[1,2,3])df2 = df_maker('cde',[3,4,5])print(df1)print(df2)print(pd.concat([df1,df2]))    # 默認(rèn)沿axis=0，join=‘out’的方式進(jìn)行concat  print(pd.concat([df1,df2], ignore_index=True))    # 重新設(shè)定index(效果類似于pd.concat([df1,df2]).reset_index(drop=True))print(pd.concat([df1,df2], axis=1))   # 沿列進(jìn)行合并print(pd.concat([df1,df2], axis=1, join='inner'))    # 沿列進(jìn)行合并,采用外聯(lián)方式因?yàn)樾兄兄挥衖ndex=3是重復(fù)的，所以只有一行print(pd.concat([df1,df2], axis=1, join_axes=[df1.index]))   # 指定只取df1的index
from pandas import Indexindex = Index([1,2,4])print(pd.concat([df1,df2], axis=1, join_axes=[index]))   # 自定義index
print(pd.concat([df1,df2], axis=0,keys=["第一組","第二組"]))   # 通過key定義多重索引

append(self, other, ignore_index=False, verify_integrity=False)

"""

常用參數(shù)說(shuō)明：

other：另一個(gè)df

ignore_index：若為True，則對(duì)index進(jìn)行重排

verify_integrity：對(duì)index的唯一性進(jìn)行驗(yàn)證，若有重復(fù)，報(bào)錯(cuò)。若已經(jīng)設(shè)置了ignore_index，則該參數(shù)無(wú)效

"""

import pandas as pddef df_maker(cols, idxs):    return pd.DataFrame({c:[c+str(i) for i in idxs] for c in cols}, index=idxs)

df1 = df_maker('abc',[1,2,3])df2 = df_maker('cde',[3,4,5])print(df1.append(df2))    # 效果類似于pd.concat([df1,df2]) print(df1.append(df2,ignore_index=True))    # index重排,效果類似于pd.concat([df1, df2], ignore_index=True)#print(df1.append(df2,verify_integrity=True))    # 因?yàn)閮蓚€(gè)df均有index=3，所以報(bào)錯(cuò)

join(other, on=None, how='left', lsuffix='', rsuffix='', sort=False)

"""

常用參數(shù)說(shuō)明：

on：參照的左邊df列名key（可能需要先進(jìn)行set_index操作），若未指明，按照index進(jìn)行join

how：{‘left’, ‘right’, ‘outer’, ‘inner’}, 默認(rèn)‘left’，即按照左邊df的index（若聲明了on，則按照對(duì)應(yīng)的列）；若為‘right’abs照左邊的df

    若‘inner’為內(nèi)聯(lián)方式；若為‘outer’為全連聯(lián)方式。

sort：是否按照join的key對(duì)應(yīng)的值大小進(jìn)行排序，默認(rèn)False

lsuffix，rsuffix：當(dāng)left和right兩個(gè)df的列名出現(xiàn)沖突時(shí)候，通過設(shè)定后綴的方式避免錯(cuò)誤

"""

import pandas as pdimport numpy as np
df3 = pd.DataFrame({'lkey':['foo','bar','baz','foo'], 'value':np.arange(1,5)})df4 = pd.DataFrame({'rkey':['foo','bar','qux','bar'], 'value':np.arange(3,7)})print(df3)print(df4)#print(df3.join(df4))     # 兩者有相同的列名‘value’，所以報(bào)錯(cuò)print(df3.join(df4 , lsuffix='_df3', rsuffix='_df4'))    # 通過添加后綴避免沖突print(df3.set_index('lkey').join(df4.set_index('rkey'), how='outer',lsuffix='_df3',rsuffix='_df4'))    # 可以通過將兩邊的key進(jìn)行set_indexprint(df3.join(df4.set_index('rkey'), on='lkey',lsuffix='_df3',rsuffix='_df4'))   # 也可以通過設(shè)置后邊df中key，并通過on與指定的左邊df中的列進(jìn)行合并，返回的index不變

pd.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):

"""

既可作為pandas的頂級(jí)方法使用，也可作為DataFrame數(shù)據(jù)結(jié)構(gòu)的方法進(jìn)行調(diào)用

常用參數(shù)說(shuō)明：

how:{'left’, ‘right’, ‘outer’, ‘inner’}, 默認(rèn)‘inner’，類似于SQL的內(nèi)聯(lián)。'left’類似于SQL的左聯(lián)；'right’類似于SQL的右聯(lián)；

    ‘outer’類似于SQL的全聯(lián)。

on:進(jìn)行合并的參照列名，必須一樣。若為None，方法會(huì)自動(dòng)匹配兩張表中相同的列名

left_on: 左邊df進(jìn)行連接的列

right_on: 右邊df進(jìn)行連接的列

suffixes: 左、右列名稱前綴

validate：默認(rèn)None，可定義為“one_to_one” 、“one_to_many” 、“many_to_one”和“many_to_many”，即驗(yàn)證是否一對(duì)一、一對(duì)多、多對(duì)一或

    多對(duì)多關(guān)系

"""

"""

SQL語(yǔ)句復(fù)習(xí)：

內(nèi)聯(lián)：SELECT a.*, b.* from table1 as a inner join table2 as b on a.ID=b.ID

左聯(lián)：SELECT a.*, b.* from table1 as a left join table2 as b on a.ID=b.ID

右聯(lián)：SELECT a.*, b.* from table1 as a right join table2 as b on a.ID=b.ID

全聯(lián)：SELECT a.*, b.* from table1 as a full join table2 as b on a.ID=b.ID

"""

import pandas as pddf3 = pd.DataFrame({'lkey':['foo','bar','baz','foo'], 'value':np.arange(1,5)})df4 = pd.DataFrame({'rkey':['foo','bar','qux','bar'], 'value':np.arange(3,7)})print(df3)print(df4)print(pd.merge(df3,df4))       # on為None，自動(dòng)找尋相同的列名，即為'value'，且默認(rèn)為內(nèi)聯(lián)print(pd.merge(df3,df4,how='outer'))   # 外聯(lián)模式下print(pd.merge(df3, df4, left_on='lkey',right_on='rkey'))   # 默認(rèn)內(nèi)聯(lián)，2個(gè)foo*2個(gè)barprint(pd.merge(df3, df4, left_on='lkey',right_on='rkey', how='left'))    # 以左邊的df3為標(biāo)準(zhǔn)進(jìn)行連接print(pd.merge(df3, df4, left_on='lkey',right_on='rkey', how='right'))    # 以右邊的df4為標(biāo)準(zhǔn)進(jìn)行連接print(pd.merge(df3, df4, left_on='lkey',right_on='rkey', how='outer'))    # 全連接print(pd.merge(df3, df4, left_on='lkey',right_on='rkey', how='inner'))    # 內(nèi)連接

看完上述內(nèi)容，你們掌握python中怎么利用pandas合并數(shù)據(jù)的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！