Python中怎么實現(xiàn)數(shù)據(jù)合并與追加

本篇文章為大家展示了Python中怎么實現(xiàn)數(shù)據(jù)合并與追加，內(nèi)容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

數(shù)據(jù)合并（簡單合并，無需匹配）

針對簡單合并而言，在R語言中主要通過以下兩個函數(shù)來實現(xiàn)：

• cbind()

• dplyr::bind_cols()

df1 <- data.frame(A=c('A0', 'A1', 'A2', 'A3'),

                     B= c('B0', 'B1', 'B2', 'B3'),

                     C= c('C0', 'C1', 'C2', 'C3'),

                     D=c('D0', 'D1', 'D2', 'D3')

                    )

df2 <- data.frame(E=c('A4', 'A5', 'A6', 'A7'),

                    F= c('B4', 'B5', 'B6', 'B7'),

                    G=c('C4', 'C5', 'C6', 'C7'),

                     H= c('D4', 'D5', 'D6', 'D7'))

df3 <-data.frame(I=c('A8', 'A9', 'A10', 'A11'),

                     J= c('B8', 'B9', 'B10', 'B11'),

                    K=c('C8', 'C9', 'C10', 'C11'),

                    L=c('D8', 'D9', 'D10', 'D11')

                   )

df1;df2;df3

mydata1<-cbind(df1,df2,df3);mydata1

mydata2<-dplyr::bind_cols(df1,df2,df3);mydata1

在Python中，簡單的合并可以通過Pandas中的concat函數(shù)來實現(xiàn)的。

df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],

                     'B': ['B0', 'B1', 'B2', 'B3'],

                     'C': ['C0', 'C1', 'C2', 'C3'],

                     'D': ['D0', 'D1', 'D2', 'D3']},

                     index=[0, 1, 2, 3])

df2 = pd.DataFrame({'E': ['A4', 'A5', 'A6', 'A7'],

                    'F': ['B4', 'B5', 'B6', 'B7'],

                    'G': ['C4', 'C5', 'C6', 'C7'],

                     'H': ['D4', 'D5', 'D6', 'D7']},

                      index=[0, 1, 2, 3])

df3 = pd.DataFrame({'I': ['A8', 'A9', 'A10', 'A11'],

                     'J': ['B8', 'B9', 'B10', 'B11'],

                    'K': ['C8', 'C9', 'C10', 'C11'],

                    'L': ['D8', 'D9', 'D10', 'D11']},

                    index=[0, 1, 2, 3])

result1 = pd.concat([df1,df2,df3],axis=1,join_axes=[df1.index])

橫向合并：（需匹配）

在R語言中，這種操作有很多可選方案，如基礎函數(shù)merge、plyr包中的join函數(shù)以及dplyr包中的left/right/inter/full_join等函數(shù)。

• merge

• plyr::join

• dplyr::left/right/inter/full_join

這里為了節(jié)省時間，只介紹第一種基礎函數(shù)，欲了解詳情，可以查看這篇歷史文章：

（R語言數(shù)據(jù)處理——數(shù)據(jù)合并與追加）

merge(x, y,  #帶合并的數(shù)據(jù)集名稱（左右順序）

  by = intersect(names(x), names(y)), #合并依據(jù)字段（名稱相同）

  by.x = by,  #名稱不同時需同時時聲明

  by.y = by,  #名稱不同時需同時時聲明

  all = FALSE,#合并類型，TRUE為全連接 （full），F(xiàn)ALSE為內(nèi)連接 （inter）

  all.x = all,#左連接

  all.y = all,#右連接

  )

df3<-data.frame(id=c(1001,1002,1003,1004,1005,1006,1007,1008),

gender=c('male','female','male','female','male','female','male','female'),

pay=c('Y','N','Y','Y','N','Y','N','Y'),

m_point=c(10,12,20,40,40,40,30,20))

df4<-data.frame(id=c(1001,1002,1003,1004,1005,1006),

city=c('Beijing ', 'Shenzhen','Guangzhou', 'Shenzhen', 'Shanghai','Beijing'),

age=c(23,44,54,32,34,32),

category=c('100-A','100-B','110-A','110-C','210-A','130-F'),

price=c(1200,2900,2133,5433,1346,4432))

print(df3);print(df4)

mydata3<-merge(df3,df4,by="id",all=TRUE);print(mydata3)

mydata3<-merge(df3,df4,by="id",all=FALSE);print(mydata3)

mydata3<-merge(df3,df4,by="id",all.x=TRUE);print(mydata3)

mydata3<-merge(df3,df4,by="id",all.y=TRUE);print(mydata3)

在Python中，這一操作也可以通過函數(shù)Pandas庫中的cancat函數(shù)或者merge函數(shù)來完成。

Pandas-merge

df3=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008],

"gender":['male','female','male','female','male',

'female','male','female'],

"pay":['Y','N','Y','Y','N','Y','N','Y'],

"m-point":[10,12,20,40,40,40,30,20]})

df4= pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],

"date":pd.date_range('20130102',periods=6),

"city":['Beijing', 'Shenzhen','Guangzhou','Shenzhen','Shanghai','Beijing'],

"age":[23,44,54,32,34,32],

"category":['100-A','100-B','110-A','110-C','210-A','130-F'],

"price":[1200,np.nan,2133,5433,np.nan,4432]},

columns =['id','date','city','category','age','price'])

print(df3);print(df4)

df_inner=pd.merge(df3,df4,how='inner');print(df_inner) #數(shù)據(jù)表合并（內(nèi)連接：inter join）

df_left=pd.merge(df3,df4, how='left') ;print(df_left)  #數(shù)據(jù)表合并（左連接：left join）

df_right=pd.merge(df3,df4,how='right');print(df_right) #數(shù)據(jù)表合并（右連接:right join）

df_outer=pd.merge(df3,df4,how='outer');print(df_outer) #數(shù)據(jù)表合并（全連接:full join）

數(shù)據(jù)追加：

數(shù)據(jù)追加通常只需保證數(shù)據(jù)及的寬度一致且列字段名稱一致，相對來說比較簡單。在R語言和Python中，也很好實現(xiàn)。

在R語言中，可視化朱數(shù)據(jù)追加的函數(shù)有：

• rbind()

• dplyr::bind_rows()

mydata3<-rbind(df1,df2,df3);mydata3

mydata4<-dplyr::bind_rows(df1,df2,df3);mydata4

python中則可以很容易的通過數(shù)據(jù)框本身的append函數(shù)來實現(xiàn)簡單的數(shù)據(jù)追加：

df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],

                     'B': ['B0', 'B1', 'B2', 'B3'],

                     'C': ['C0', 'C1', 'C2', 'C3'],

                     'D': ['D0', 'D1', 'D2', 'D3']},

                     index=[0, 1, 2, 3])

df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'],

                    'B': ['B4', 'B5', 'B6', 'B7'],

                    'C': ['C4', 'C5', 'C6', 'C7'],

                     'D': ['D4', 'D5', 'D6', 'D7']},

                      index=[4,5,6,7])

df3 = pd.DataFrame({'A': ['A8', 'A9', 'A10', 'A11'],

                     'B': ['B8', 'B9', 'B10', 'B11'],

                    'C': ['C8', 'C9', 'C10', 'C11'],

                    'D': ['D8', 'D9', 'D10', 'D11']},

                    index=[8, 9,10,11])

result = df1.append(df2);print(result)

result = result.append(df3);print(result)

如果是使用canat函數(shù)也可以非常輕松的完成數(shù)據(jù)追加：

result = pd.concat([df1, df2, df3]);print(result)

本文匯總：

數(shù)據(jù)合并（簡單合并）

R：

cbind()

dplyr::bind_cols()

Python:

Pandas-cancat()

數(shù)據(jù)合并（匹配和并）

R:

merge

plyr::join()

dplyr::left/right/inter/full_join()

Python:

Pandas-merge

數(shù)據(jù)追加：

R：

rbind()

dplyr::bind_rows()

Python:

Pandas-append()

Pandas-cancat()

上述內(nèi)容就是Python中怎么實現(xiàn)數(shù)據(jù)合并與追加，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關(guān)注億速云行業(yè)資訊頻道。