作者:lianghc
merge 通过键拼接列
pandas提供了一个类似于关系数据库的连接(join)操作的方法<Strong>merage</Strong>,可以根据一个或多个键将不同DataFrame中的行连接起来
语法如下
- merge(left, right, how=‘inner’, on=None, left_on=None, right_on=None,
- left_index=False, right_index=False, sort=True,
- suffixes=(’_x’, ‘_y’), copy=True, indicator=False)
merge(left, right, how='inner', on=None, left_on=None, right_on=None,
left_index=False, right_index=False, sort=True,
suffixes=('_x', '_y'), copy=True, indicator=False)
用于通过一个或多个键将两个数据集的行连接起来,类似于 SQL 中的 JOIN。该函数的典型应用场景是,针对同一个主键存在两张包含不同字段的表,现在我们想把他们整合到一张表里。在此典型情况下,结果集的行数并没有增加,列数则为两个元数据的列数和减去连接键的数量。
on=None 用于显示指定列名(键名),如果该列在两个对象上的列名不同,则可以通过 left_on=None, right_on=None 来分别指定。或者想直接使用行索引作为连接键的话,就将 left_index=False, right_index=False 设为 True。
how=’inner’ 参数指的是当左右两个对象中存在不重合的键时,取结果的方式:inner 代表交集;outer 代表并集;left 和 right 分别为取一边。
suffixes=(‘_x’,’_y’) 指的是当左右对象中存在除连接键外的同名列时,结果集中的区分方式,可以各加一个小尾巴。
对于多对多连接,结果采用的是行的笛卡尔积。
参数说明:
left与right:两个不同的DataFrame
how:指的是合并(连接)的方式有inner(内连接),left(左外连接),right(右外连接),outer(全外连接);默认为inner
on : 指的是用于连接的列索引名称。必须存在右右两个DataFrame对象中,如果没有指定且其他参数也未指定则以两个DataFrame的列名交集做为连接键
left_on:左则DataFrame中用作连接键的列名;这个参数中左右列名不相同,但代表的含义相同时非常有用。
right_on:右则DataFrame中用作 连接键的列名
left_index:使用左则DataFrame中的行索引做为连接键
right_index:使用右则DataFrame中的行索引做为连接键
sort:默认为True,将合并的数据进行排序。在大多数情况下设置为False可以提高性能
suffixes:字符串值组成的元组,用于指定当左右DataFrame存在相同列名时在列名后面附加的后缀名称,默认为(‘_x’,’_y’)
copy:默认为True,总是将数据复制到数据结构中;大多数情况下设置为False可以提高性能
indicator:在 0.17.0中还增加了一个显示合并数据中来源情况;如只来自己于左边(left_only)、两者(both)
merge一些特性示例:
1.默认以重叠的列名当做连接键。
- In [16]: df1=DataFrame({‘key’:[‘a’,’b’,’b’],’data1’:range(3)})
- In [17]: df2=DataFrame({‘key’:[‘a’,’b’,’c’],’data2’:range(3)})
- In [18]: pd.merge(df1,df2) #没有指定连接键,默认用重叠列名,没有指定连接方式
- Out[18]:
- data1 key data2
- 0 0 a 0
- 1 1 b 1
- 2 2 b 1
In [16]: df1=DataFrame({'key':['a','b','b'],'data1':range(3)})
In [17]: df2=DataFrame({'key':['a','b','c'],'data2':range(3)})
In [18]: pd.merge(df1,df2) #没有指定连接键,默认用重叠列名,没有指定连接方式
Out[18]:
data1 key data2
0 0 a 0
1 1 b 1
2 2 b 1
2.默认做inner连接(取key的交集),连接方式还有(left,right,outer),制定连接方式加参数:how=”
- In [19]: pd.merge(df2,df1)
- Out[19]:
- data2 key data1
- 0 0 a 0
- 1 1 b 1
- 2 1 b 2 #默认内连接,可以看见c没有连接上。
- In [20]: pd.merge(df2,df1,how=‘left’) #通过how,指定连接方式
- Out[20]:
- data2 key data1
- 0 0 a 0
- 1 1 b 1
- 2 1 b 2
- 3 2 c NaN
In [19]: pd.merge(df2,df1)
Out[19]:
data2 key data1
0 0 a 0
1 1 b 1
2 1 b 2 #默认内连接,可以看见c没有连接上。
In [20]: pd.merge(df2,df1,how='left') #通过how,指定连接方式
Out[20]:
data2 key data1
0 0 a 0
1 1 b 1
2 1 b 2
3 2 c NaN
3.多键连接时将连接键组成列表传入,例:pd.merge(df1,df2,on=[‘key1’,’key2’]
- In [23]: right=DataFrame({‘key1’:[‘foo’,‘foo’,‘bar’,‘bar’],
- …: ’key2’:[‘one’,‘one’,‘one’,‘two’],
- …: ’lval’:[4,5,6,7]})
- In [24]: left=DataFrame({‘key1’:[‘foo’,‘foo’,‘bar’],
- …: ’key2’:[‘one’,‘two’,‘one’],
- …: ’lval’:[1,2,3]})
- In [25]: right=DataFrame({‘key1’:[‘foo’,‘foo’,‘bar’,‘bar’],
- …: ’key2’:[‘one’,‘one’,‘one’,‘two’],
- …: ’lval’:[4,5,6,7]})
- In [26]: pd.merge(left,right,on=[‘key1’,‘key2’],how=‘outer’) #传出数组
- Out[26]:
- key1 key2 lval_x lval_y
- 0 foo one 1 4
- 1 foo one 1 5
- 2 foo two 2 NaN
- 3 bar one 3 6
- 4 bar two NaN 7
In [23]: right=DataFrame({'key1':['foo','foo','bar','bar'],
...: 'key2':['one','one','one','two'],
...: 'lval':[4,5,6,7]})
In [24]: left=DataFrame({'key1':['foo','foo','bar'],
...: 'key2':['one','two','one'],
...: 'lval':[1,2,3]})
In [25]: right=DataFrame({'key1':['foo','foo','bar','bar'],
...: 'key2':['one','one','one','two'],
...: 'lval':[4,5,6,7]})
In [26]: pd.merge(left,right,on=['key1','key2'],how='outer') #传出数组
Out[26]:
key1 key2 lval_x lval_y
0 foo one 1 4
1 foo one 1 5
2 foo two 2 NaN
3 bar one 3 6
4 bar two NaN 7
4.如果两个对象的列名不同,可以分别指定,例:pd.merge(df1,df2,left_on=’lkey’,right_on=’rkey’)
- In [31]: df3=DataFrame({‘key3’:[‘foo’,’foo’,’bar’,’bar’], #将上面的right的key 改了名字
- …: ‘key4’:[‘one’,’one’,’one’,’two’],
- …: ‘lval’:[4,5,6,7]})
- In [32]: pd.merge(left,df3,left_on=‘key1’,right_on=‘key3’) #键名不同的连接
- Out[32]:
- key1 key2 lval_x key3 key4 lval_y
- 0 foo one 1 foo one 4
- 1 foo one 1 foo one 5
- 2 foo two 2 foo one 4
- 3 foo two 2 foo one 5
- 4 bar one 3 bar one 6
- 5 bar one 3 bar two 7
In [31]: df3=DataFrame({'key3':['foo','foo','bar','bar'], #将上面的right的key 改了名字
...: 'key4':['one','one','one','two'],
...: 'lval':[4,5,6,7]})
In [32]: pd.merge(left,df3,left_on='key1',right_on='key3') #键名不同的连接
Out[32]:
key1 key2 lval_x key3 key4 lval_y
0 foo one 1 foo one 4
1 foo one 1 foo one 5
2 foo two 2 foo one 4
3 foo two 2 foo one 5
4 bar one 3 bar one 6
5 bar one 3 bar two 7
5.以索引当做连接键,使用参数left_index=true,right_index=True (最好使用join)
join 拼接列,主要用于索引上的合并
join方法提供了一个简便的方法用于将两个DataFrame中的不同的列索引合并成为一个DataFrame
- join(self, other, on=None, how=‘left’, lsuffix=”, rsuffix=”,sort=False):
join(self, other, on=None, how='left', lsuffix='', rsuffix='',sort=False):
其中参数的意义与merge方法基本相同,只是join方法默认为左外连接how=left
1.默认按索引合并,可以合并相同或相似的索引,不管他们有没有重叠列。
2.可以连接多个DataFrame
3.可以连接除索引外的其他列
4.连接方式用参数how控制
5.通过lsuffix=”, rsuffix=” 区分相同列名的列
concat 可以沿着一条轴将多个对象堆叠到一起
- concat(objs, axis=0, join=‘outer’, join_axes=None, ignore_index=False,
- keys=None, levels=None, names=None, verify_integrity=False, copy=True):
concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False, copy=True):
轴向连接 pd.concat() 就是单纯地把两个表拼在一起,这个过程也被称作连接(concatenation)、绑定(binding)或堆叠(stacking)。因此可以想见,这个函数的关键参数应该是 axis,用于指定连接的轴向。
本函数的全部参数为:
- pd.concat(objs, axis=0, join=‘outer’, join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False)。
pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False)。
1.作用于Series时,如果在axis=0时,类似union。axis=1 时,组成一个DataFrame,索引是union后的,列是类似join后的结果。
2.通过参数join_axes=[] 指定自定义索引。
3.通过参数keys=[] 创建层次化索引
4.通过参数ignore_index=True 重建索引。
- In [5]: df1=DataFrame(np.random.randn(3,4),columns=[‘a’,‘b’,‘c’,‘d’])
- In [6]: df2=DataFrame(np.random.randn(2,3),columns=[‘b’,‘d’,‘a’])
- In [7]: pd.concat([df1,df2])
- Out[7]:
- a b c d
- 0 -0.848557 -1.163877 -0.306148 -1.163944
- 1 1.358759 1.159369 -0.532110 2.183934
- 2 0.532117 0.788350 0.703752 -2.620643
- 0 -0.316156 -0.707832 NaN -0.416589
- 1 0.406830 1.345932 NaN -1.874817
In [5]: df1=DataFrame(np.random.randn(3,4),columns=['a','b','c','d'])
In [6]: df2=DataFrame(np.random.randn(2,3),columns=['b','d','a'])
In [7]: pd.concat([df1,df2])
Out[7]:
a b c d
0 -0.848557 -1.163877 -0.306148 -1.163944
1 1.358759 1.159369 -0.532110 2.183934
2 0.532117 0.788350 0.703752 -2.620643
0 -0.316156 -0.707832 NaN -0.416589
1 0.406830 1.345932 NaN -1.874817
- In [8]: pd.concat([df1,df2],ignore_index=True)
- Out[8]:
- a b c d
- 0 -0.848557 -1.163877 -0.306148 -1.163944
- 1 1.358759 1.159369 -0.532110 2.183934
- 2 0.532117 0.788350 0.703752 -2.620643
- 3 -0.316156 -0.707832 NaN -0.416589
- 4 0.406830 1.345932 NaN -1.874817
In [8]: pd.concat([df1,df2],ignore_index=True)
Out[8]:
a b c d
0 -0.848557 -1.163877 -0.306148 -1.163944
1 1.358759 1.159369 -0.532110 2.183934
2 0.532117 0.788350 0.703752 -2.620643
3 -0.316156 -0.707832 NaN -0.416589
4 0.406830 1.345932 NaN -1.874817