Pandas数据的横向合并merge命令 & concat命令

目录

merge命令

concat命令

---

merge命令

merge 命令使用像 SQL 的连接方式

提示：下面的pd表示为pandas的缩写

pd.merge（

需要合并的 DF

left :需要合并的左侧 DF

right :需要合并的右侧 DF

how = ' inner'：具体的连接类型 {left、right 、outer 、 inner、）

！！提示：Pandas中数据的横向合并merge中参数默认值how=inner

两个 DF （二维数组）的连接方式：

on :用于连接两个 DF 的关键变量（多个时为列表），必须在两侧都出现

left_on :左侧 DF 用于连接的关键变量（多个时为列表）

right_on :右侧 DF 用于连接的关键变量（多个时为列表）

left_index = False :是否将左侧 DF 的索引用于连接

right_index = False :是否将右侧 DF 的索引用于连接 )

【代码示例】：

import pandas as pd

left=pd.DataFrame({'key':['k0','k1','k2','k3'], 'A': ['A0','A1','A2','A3'],'B': ['B0','B1','B2','B3'],})
right=pd.DataFrame({'key':['k0','k1','k2','k3'],'C': ['C0','C1','C2','C3'], 'D': ['D0','D1','D2','D3'],})
result1=pd.merge(left,right)
print(result1)
print('\n')

#how参数的使用
left=pd.DataFrame({'key':['k0','k1','k2','k3'],'A':['A0','A1','A2','A3'],'B': ['B0','B1','B2','B3'],})
right=pd.DataFrame({'key':['k0','k1','k2','k4'],'C': ['C0','C1','C2','C3'],'D':['D0','D1','D2','D3'],})
result2=pd.merge(left,right,how='left')
print(result2)
print('\n')

#left_on  right_on
left=pd.DataFrame({'key1':['k0','k1','k2','k3'],'A':['A0','A1','A2','A3'],'B':['B0','B1','B2','B3'],})
right=pd.DataFrame({'key2':['k0','k1','k2','k4'],'C':['C0','C1','C2','C3'],'D':['D0','D1','D2','D3'],})
result3=pd.merge(left,right,how='left',left_on='key1',right_on='key2')
print(result3)
print('\n')

#left_index right_index
left = left.set_index(keys='key1')
right = right.set_index(keys='key2')
result4=pd.merge(left,right,left_index=True,right_index=True)
print(result4)
print('\n')

【执行结果】：

concat命令

同时支持横向合并与纵向合并

pd.concat(

objs :需要合并的对象，列表形式提供

axis = 0 :对行还是对列方向逬行合并 (0：index 、 1：columns )

join = outer :对另一个轴向的索引值如何逬行处理 (inner 、outer )

ignore_index = False

keys = None :为不同数据源的提供合并后的索引值

verify_integrity = False 是否检查索引值的唯一性，有重复时报错

copy=True)

【示例】一维的Series拼接:

import pandas as pd
ser1=pd.Series([1,2,3],index=list('ABC'))
ser2=pd.Series([4,5,6],index=list('DEF'))
print(pd.concat([ser1,ser2]))

【运行结果】：

【示例】df对象拼接：

import pandas as pd
def make_df(cols,index):
    data={c:[str(c)+str(i) for i in index] for c in cols}#字典生成式
    return pd.DataFrame(data,index=index)
df1=make_df('AB',[1,2])
df2=make_df('AB',[3,4])
print(pd.concat([df1,df2]))

【结果】

【示例】两个df对象拼接，按列进行拼接

'''两个DF对象进行拼接，按列进行拼接'''
import pandas as pd
def make_df(cols,index):
    data={c:[str(c)+str(i) for i in index] for c in cols}#字典生成式
    return pd.DataFrame(data,index=index)
df1=make_df('AB',[1,2])
df2=make_df('AB',[3,4])
print(pd.concat([df1,df2],axis=1)) 
#或者：
print(pd.concat([df1,df2],axis='columns'))

【结果】

【示例】两个df对象拼接，如果索引重复

'''两个df对象拼接，如果索引重复'''
import pandas as pd
def make_df(cols,index):
    data={c:[str(c)+str(i) for i in index] for c in cols}#字典生成式
    return pd.DataFrame(data,index=index)
x=make_df('AB',[1,2])
y=make_df('AB',[1,2])
print(pd.concat([x,y]))
#解决索引重复问题加ignore_index属性
print(pd.concat([x,y],ignore_index=True))
#解决索引重复问题，加keys属性
print(pd.concat([x,y],keys=list('xy')))

【结果】

【示例】两个df对象拼接，join参数的使用

'''两个df对象拼接，join参数的使用'''
import pandas as pd
def make_df(cols,index):
    data={c:[str(c)+str(i) for i in index] for c in cols}#字典生成式
    return pd.DataFrame(data,index=index)
a=make_df('ABC',[1,2])
b=make_df('BCD',[3,4])
print(pd.concat([a,b],join='inner'))
a=make_df('ABC',[1,2,3,4])
b=make_df('BCD',[3,4,5])
print(pd.concat([a,b],join='outer',axis=1))

【结果】