本篇文章给大家带来了关于python的相关知识，其中主要介绍了关于数据合并的相关问题，包括了concat函数与merge函数等内容，下面一起来看一下，希望对大家有帮助。
推荐学习：python视频教程
一、concat函数
-
concat()函数可以沿着一条轴将多个对象进行堆叠，其使用方式类似数据库中的数据表合并
pandas.concat(objs, axis=0, join=’outer’, join_axes=None, ignore_index=False, keys=None, levels=None, verify_integrity=False, sort=None, copy=True) - 参数含义如下：
| 参数 | 作用 |
|---|---|
| axis | 表示连接的轴向，可以为0或者1，默认为0 |
| join | 表示连接的方式，inner表示内连接，outer表示外连接，默认使用外连接 |
| ignore_index | 接收布尔值，默认为False。如果设置为True，则表示清除现有索引并重置索引值 |
| keys | 接收序列，表示添加最外层索引 |
| levels | 用于构建MultiIndex的特定级别（唯一值） |
| names | 设置了keys和level参数后，用于创建分层级别的名称 |
| verify_integerity | 检查新的连接轴是否包含重复项。接收布尔值，当设置为True时，如果有重复的轴将会抛出错误，默认为False |
- 根据轴方向的不同，可以将堆叠分成横向堆叠与纵向堆叠，默认采用的是纵向堆叠方式
- 在堆叠数据时，默认采用的是外连接（join参数设为outer）的方式进行合并，当然也可以通过join=inner设置为内连接的方式。
1)横向堆叠与外连接
import pandas as pd
df1=pd.DataFrame({'A':['A0','A1','A2'],
'B':['B0','B1','B2']})df1
立即学习“Python免费学习笔记（深入）”；
df2=pd.DataFrame({'C':['C0','C1','C2'],
'D':['D0','D1','D2']})df2
横向堆叠合并df1和df2,采用外连接的方式
pd.concat([df1,df2],join='outer',axis=1)
2) 纵向堆叠与内链接
import pandas as pd
first=pd.DataFrame({'A':['A0','A1','A2'],
'B':['B0','B1','B2'],
'C':['C0','C1','C2']})first
second=pd.DataFrame({'B':['B3','B4','B5'],
'C':['C3','C4','C5'],
'D':['D3','D4','D5']})second
- 当使用concat()函数合并时，若是将axis参数的值设为0，且join参数的值设为inner,则代表着使用纵向堆叠与内连接的方式进行合并
pd.concat([first,second],join='inner',axis=0)
二、merge()函数
1）主键合并数据
- 在使用merge()函数进行合并时，默认会使用重叠的列索引做为合并键，并采用内连接方式合并数据，即取行索引重叠的部分。
import pandas as pd
left=pd.DataFrame({'key':['K0','K1','K2'],
'A':['A0','A1','A2'],
'B':['B0','B1','B2']})left
right=pd.DataFrame({'key':['K0','K1','K2','K3'],
'C':['C0','C1','C2','C3'],
'D':['D0','D1','D2','D3']})right
pd.merge(left,right,on='key')
2）merge()函数还支持对含有多个重叠列的DataFrame对象进行合并。
import pandas as pd
data1=pd.DataFrame({'key':['K0','K1','K2'],
'A':['A0','A1','A2'],
'B':['B0','B1','B2']})data1
PHP5 和 MySQL 圣经
下载
本书是全面讲述PHP与MySQL的经典之作，书中不但全面介绍了两种技术的核心特性，还讲解了如何高效地结合这两种技术构建健壮的数据驱动的应用程序。本书涵盖了两种技术新版本中出现的最新特性，书中大量实际的示例和深入的分析均来自于作者在这方面多年的专业经验，可用于解决开发者在实际中所面临的各种挑战。
data2=pd.DataFrame({'key':['K0','K5','K2','K4'],
'B':['B0','B1','B2','B5'],
'C':['C0','C1','C2','C3'],
'D':['D0','D1','D2','D3']})data2
pd.merge(data1,data2,on=['key','B'])
1）根据行索引合并数据
- join()方法能够通过索引或指定列来连接多个DataFrame对象
- join（other，on = None，how =‘left’，lsuffix =‘’，rsuffix =‘’，sort = False ）
| 参数 | 作用 |
|---|---|
| on | 名称，用于连接列名 |
| how | 可以从{‘‘left’’ ,‘‘right’’, ‘‘outer’’, ‘‘inner’’}中任选一个，默认使用左连接的方式。 |
| sort | 根据连接键对合并的数据进行排序，默认为False |
import pandas as pd
data3=pd.DataFrame({'A':['A0','A1','A2'],
'B':['B0','B1','B2']})data3
data4=pd.DataFrame({'C': ['C0', 'C1', 'C2'],
'D': ['D0', 'D1', 'D2']},
index=['a','b','c'])data3.join(data4,how='outer') # 外连接
data3.join(data4,how='left') #左连接
data3.join(data4,how='right') #右连接
data3.join(data4,how='inner') #内连接
import pandas as pd
left = pd.DataFrame({'A': ['A0', 'A1', 'A2'],
'B': ['B0', 'B1', 'B2'],
'key': ['K0', 'K1', 'K2']})left
right = pd.DataFrame({'C': ['C0', 'C1','C2'],
'D': ['D0', 'D1','D2']},
index=['K0', 'K1','K2'])right
on参数指定连接的列名
left.join(right,how='left',on='key') #on参数指定连接的列名
2）合并重叠数据
当DataFrame对象中出现了缺失数据，而我们希望使用其他DataFrame对象中的数据填充缺失数据，则可以通过combine_first()方法为缺失数据填充。
import pandas as pdimport numpy as npfrom numpy import NAN
left = pd.DataFrame({'A': [np.nan, 'A1', 'A2', 'A3'],
'B': [np.nan, 'B1', np.nan, 'B3'],
'key': ['K0', 'K1', 'K2', 'K3']})left
right = pd.DataFrame({'A': ['C0', 'C1','C2'],
'B': ['D0', 'D1','D2']},
index=[1,0,2])right
用right的数据填充left缺失的部分
left.combine_first(right) # 用right的数据填充left缺失的部分
推荐学习：python视频教程
