重庆分公司
重庆分公司，新征程启航
为企业提供网站建设、域名注册、服务器等服务
python中怎么利用pandas合并数据
python中怎么利用pandas合并数据，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。
网站建设哪家好，找创新互联！专注于网页设计、网站建设、微信开发、小程序设计、集团企业网站建设等服务项目。为回馈新老客户创新互联还提供了池州免费建站欢迎大家使用！
Pandas有concat、append、join和merge四种方法用于dataframe拼接，
concat、append、join、merge 区别如下：
1、.concat()：pandas的顶级方法，提供了axis设置可用于df间行方向（增加行，下同）或列方向（增加列，下同）进行内联或外联拼接操作
2、.append()：dataframe数据类型的方法，提供了行方向的拼接操作
3、.join()：dataframe数据类型的方法，提供了列方向的拼接操作，支持左联、右联、内联和外联四种操作类型
4、.merge()：pandas的顶级方法，提供了类似于SQL数据库连接操作的功能，支持左联、右联、内联和外联等全部四种SQL连接操作类型
concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False,
copy=True)
"""
常用参数说明：
axis：拼接轴方向，默认为0，沿行拼接；若为1，沿列拼接
join：默认外联'outer'，拼接另一轴所有的label，缺失值用NaN填充；内联'inner'，只拼接另一轴相同的label；
join_axes: 指定需要拼接的轴的labels，可在join既不内联又不外联的时候使用
ignore_index：对index进行重新排序
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])) # 默认沿axis=0，join=‘out’的方式进行concatprint(pd.concat([df1,df2], ignore_index=True)) # 重新设定index(效果类似于pd.concat([df1,df2]).reset_index(drop=True))print(pd.concat([df1,df2], axis=1)) # 沿列进行合并print(pd.concat([df1,df2], axis=1, join='inner')) # 沿列进行合并,采用外联方式因为行中只有index=3是重复的，所以只有一行print(pd.concat([df1,df2], axis=1, join_axes=[df1.index])) # 指定只取df1的indexfrom pandas import Indexindex = Index([1,2,4])print(pd.concat([df1,df2], axis=1, join_axes=[index])) # 自定义indexprint(pd.concat([df1,df2], axis=0,keys=["第一组","第二组"])) # 通过key定义多重索引
append(self, other, ignore_index=False, verify_integrity=False)
"""
常用参数说明：
other：另一个df
ignore_index：若为True，则对index进行重排
verify_integrity：对index的唯一性进行验证，若有重复，报错。若已经设置了ignore_index，则该参数无效
"""
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)) # 效果类似于pd.concat([df1,df2])print(df1.append(df2,ignore_index=True)) # index重排,效果类似于pd.concat([df1, df2], ignore_index=True)#print(df1.append(df2,verify_integrity=True)) # 因为两个df均有index=3，所以报错
join(other, on=None, how='left', lsuffix='', rsuffix='', sort=False)
"""
常用参数说明：
on：参照的左边df列名key（可能需要先进行set_index操作），若未指明，按照index进行join
how：{‘left’, ‘right’, ‘outer’, ‘inner’}, 默认‘left’，即按照左边df的index（若声明了on，则按照对应的列）；若为‘right’abs照左边的df
若‘inner’为内联方式；若为‘outer’为全连联方式。
sort：是否按照join的key对应的值大小进行排序，默认False
lsuffix，rsuffix：当left和right两个df的列名出现冲突时候，通过设定后缀的方式避免错误
"""
import pandas as pdimport numpy as npdf3 = 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)) # 两者有相同的列名‘value’，所以报错print(df3.join(df4 , lsuffix='_df3', rsuffix='_df4')) # 通过添加后缀避免冲突print(df3.set_index('lkey').join(df4.set_index('rkey'), how='outer',lsuffix='_df3',rsuffix='_df4')) # 可以通过将两边的key进行set_indexprint(df3.join(df4.set_index('rkey'), on='lkey',lsuffix='_df3',rsuffix='_df4'))# 也可以通过设置后边df中key，并通过on与指定的左边df中的列进行合并，返回的index不变
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):
"""
既可作为pandas的顶级方法使用，也可作为DataFrame数据结构的方法进行调用
常用参数说明：
how:{'left’, ‘right’, ‘outer’, ‘inner’}, 默认‘inner’，类似于SQL的内联。'left’类似于SQL的左联；'right’类似于SQL的右联；
‘outer’类似于SQL的全联。
on:进行合并的参照列名，必须一样。若为None，方法会自动匹配两张表中相同的列名
left_on: 左边df进行连接的列
right_on: 右边df进行连接的列
suffixes: 左、右列名称前缀
validate：默认None，可定义为“one_to_one” 、“one_to_many” 、“many_to_one”和“many_to_many”，即验证是否一对一、一对多、多对一或
多对多关系
"""
"""
SQL语句复习：
内联：SELECT a.*, b.* from table1 as a inner join table2 as b on a.ID=b.ID
左联：SELECT a.*, b.* from table1 as a left join table2 as b on a.ID=b.ID
右联：SELECT a.*, b.* from table1 as a right join table2 as b on a.ID=b.ID
全联：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为None，自动找寻相同的列名，即为'value'，且默认为内联print(pd.merge(df3,df4,how='outer')) # 外联模式下print(pd.merge(df3, df4, left_on='lkey',right_on='rkey')) # 默认内联，2个foo*2个barprint(pd.merge(df3, df4, left_on='lkey',right_on='rkey', how='left')) # 以左边的df3为标准进行连接print(pd.merge(df3, df4, left_on='lkey',right_on='rkey', how='right')) # 以右边的df4为标准进行连接print(pd.merge(df3, df4, left_on='lkey',right_on='rkey', how='outer')) # 全连接print(pd.merge(df3, df4, left_on='lkey',right_on='rkey', how='inner')) # 内连接 看完上述内容，你们掌握python中怎么利用pandas合并数据的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注创新互联行业资讯频道，感谢各位的阅读！
当前题目：python中怎么利用pandas合并数据
路径分享：http://cqcxhl.cn/article/pdodjc.html