1.值连接
merge函数:
1.左连接:df1.merge(df2, on=‘Name’, how=‘left’)
2.不同列名:df1.merge(df2, left_on=‘df1_name’, right_on=‘df2_name’, how=‘left’)
3.如果两个表中的列出现了重复的列名,那么可以通过suffixes参数指定。
df1.merge(df2, on=‘Name’, how=‘left’, suffixes=[’_Chinese’,’_Math’])
4.在某些时候出现重复元素是麻烦的,例如两位同学来自不同的班级,但是姓名相同,这种时候就要指定on参数为多个列使得正确连接。
df1.merge(df2, on=[‘Name’, ‘Class’], how=‘left’) # 正确的结果
5.duplicated检查是否重复;merge中也提供了validate参数来检查连接的唯一性模式。
2.索引连接
1.join函数来处理索引连接
df1.join(df2, how=‘left’)
df1.join(df2, how=‘left’, lsuffix=’_Chinese’, rsuffix=’_Math’)
3.方向连接
1.concat,默认状态下的axis=0,表示纵向拼接多个表,常常用于多个样本的拼接;而axis=1表示横向拼接多个表,常用于多个字段或特征的拼接。
pd.concat([df1, df2])
pd.concat([df1, df2, df3], 1)
通过keys参数产生多级索引进行标记:pd.concat([df1, df2], keys=[‘one’, ‘two’])
2.序列与表的合并
df1.append(s, ignore_index=True)
df1.assign(Grade=s)
4.类连接操作
1.比较
df1.compare(df2, keep_shape=True)
2.组合
combine函数能够让两张表按照一定的规则进行组合,在进行规则比较时会自动进行列索引的对齐。
def choose_min(s1, s2):
s2 = s2.reindex_like(s1)
res = s1.where(s1<s2, s2)
res = res.mask(s1.isna()) # isna表示是否为缺失值,返回布尔序列
return res
df1 = pd.DataFrame({‘A’:[1,2], ‘B’:[3,4], ‘C’:[5,6]})
df2 = pd.DataFrame({‘B’:[5,6], ‘C’:[7,8], ‘D’:[9,10]}, index=[1,2])
df1.combine(df2, choose_min)
转:joyful pandas