pandas高级应用之数据表的拼接

最新推荐文章于 2024-03-20 14:32:23 发布
最新推荐文章于 2024-03-20 14:32:23 发布
阅读量194 收藏
点赞数 1
分类专栏： python金融大数据挖掘与分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42839893/article/details/112134535
版权

数据表的拼接

在这里插入图片描述

merge

默认根据相同的列进行合并，并且取交集

在这里插入图片描述

设置how去取并集

在这里插入图片描述

如果想要保留左边的所有内容，但是对右边并不在意，那么就是用left

在这里插入图片描述

如果想要保留右边的所有内容，但是对左边并不在意，那么就是用right

在这里插入图片描述

根据行索引和列索引进行合并

在这里插入图片描述

使用concat函数进行连接

是一种（union all的方式）核心参数是axis

axis = 0

在这里插入图片描述

axis=1

在这里插入图片描述

append函数

等价于 pd.concat([df1,df2] ，axis = 0),使得行增加

在这里插入图片描述

qq_42839893
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Pandas库：从入门到应用(三)——多表数据连接
NC_NE的博客
04-15 3004
pandas 多表连接操作
小白学 Python 数据分析（9）：Pandas 数据表拼接
weixin_44020984的博客
07-01 1974
说到数据表拼接，就不得不提一下 SQL ，对于熟悉 SQL 的同学来讲，这并不是一个难以理解的概念，数据表之间的关系可以分为以下这三种：两个表之间的公共列是一对一的。
Pandas高级应用：数据透视表和字符串操作
小小张说故事的博客
07-11 490
Pandas是Python中用于数据处理和分析的强大库。这篇文章将深入探讨Pandas库的高级功能：数据透视表和字符串操作。
利用Python进行数据清洗与预处理：Pandas的高级用法
最新发布
一键难忘的博客
03-20 4496
在数据科学和机器学习领域，数据清洗和预处理是至关重要的步骤。Pandas库作为Python中最受欢迎的数据处理工具之一，提供了强大的功能来处理各种数据格式。本文将介绍Pandas的一些高级用法，帮助你更有效地进行数据清洗和预处理。
Pandas（三）数据高阶处理
baidu_36900142的博客
12-06 875
数据连接-merge()函数，数据合并-concat，数据分组-groupby， Pivot_table()函数，stack()函数 & unstack()函数，Pandas中的高阶函数（map()函数，apply()函数，applymap()函数）
数据分析-Pandas基础使用及练习
程序员不鸣的博客
04-10 1169
最近在看关于机器学习的相关入门知识，在特征工程中使用了Numpy和Pandas提取样本特征和标签，后来了解到Pandas是一款基于Numpy的高级数据分析库，所以想学习下Pandas数据分析基础内容。
python数据分析之pandas
weixin_51194902的博客
02-28 312
1.介绍 什么是pandas? Pandas（Python Data Analysis Library ）是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。 为什么要使用pandas Pandas含有使数据分析工作变得更快更简单的高级数据结构和操作工具。pandas是基于Numpy构建的，让以Numpy为中心的应用变得更简单。 Python、N
数据挖掘-4.Pandas高级
weixin_43732424的博客
11-03 4362
文章目录pandas高级1 高级处理-缺失值处理学习目标1 如何处理nan2 电影数据的缺失值处理2.1 判断缺失值是否存在2.2 存在缺失值nan,并且是np.nan2.3 不是缺失值nan，有默认标记的3 小结2 高级处理-数据离散化学习目标1 为什么要离散化2 如何数据的离散化3 股票的涨跌幅离散化3.1 读取股票的数据3.2 将股票涨跌幅数据进行分组3.3 股票涨跌幅分组数据变成one-hot编码4 小结3. 高级处理-合并学习目标1 pd.concat实现数据合并2 pd.merge2.1 pd.
Pandas 高级应用 数据分析
weixin_30258027的博客
06-02 76
深入pandas 数据处理 三个阶段 数据准备 数据转化 数据聚合 数据准备 加载 组装 合并 - pandas.merge() 拼接 - pandas.concat() 组合 - pandas.DataFrame.combine_first() 变形 删除 合并 example1: import numpy as np import pandas as pd frame1 = pd....
pandas数据拼接的实现示例
09-17
主要介绍了pandas数据拼接的实现示例，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Python数据分析之pandas学习
01-27
在pandas中有两类非常重要的数据结构，即序列Series和数据框DataFrame。Series类似于numpy中的一维数组，除了通吃一维数组可用的函数或方法，而且其可通过索引标签的方式获取数据，还具有索引的自动对齐功能；...
python数据分析之Pandas数据结构和操作
02-24
1、一个强大的分析结构化数据的工具集2、基础是NumPy，提供了高性能矩阵的运算3、应用在数学挖掘，数据分析。比如，学生成绩分析，股票数据分析等4、提供数据清洗功能Pands数据结构，主要分为两种，Series和...
学习pandas数据透视表
01-20
2、pandas中使用pivot_table()做数据透视表 1）语法格式 pd.pivot_table(data,index=None,columns=None, values=None,aggfunc=‘mean’, margins=False,margins_name=‘All’, dropna=True,fill_value=None) 1 2 3 4...
小知识：皮尔逊相关系数分析
qq_42839893的博客
01-03 3533
小知识 皮尔逊相关系数分析 用于考虑线性相关程度的统计量 在[-1,1]之间，绝对值越大，则越显著，负数表示负相关，正数表示正相关
爬虫（利用正则表达式爬取百度新闻（淘宝））
qq_42839893的博客
09-22 1894
先直接在百度新闻中搜索“淘宝” 得到url = “”" https://www.baidu.com/s?ie=utf-8&medium=0&rtt=1&bsst=1&rsv_dl=news_t_sk&cl=2&wd=%E6%B7%98%E5%AE%9D%E7%BD%91&tn=news&rsv_bp=1&rsv_sug3=12&rsv_sug1=3&rsv_sug7=100&oq=&rsv_sug2=0&
金融数据挖掘｜爬取巨浪资讯网｜selenium爬虫+requests爬虫+pdfplumber文本解析
qq_42839893的博客
11-17 378
下次在整
python金融大数据挖掘与分析（1）（python正则表达式）
qq_42839893的博客
09-15 250
# 初步开始总结正则表达式的用法 import re 1.findall函数 content = "Hello 123 World" result = re.findall("\d\d" , content) result result1 = re.findall("\d\d\d" , content) 2.(.*?)非贪婪匹配 import re res = "八爪鱼爬虫（我们看一下）会员,,,,,,八爪鱼爬虫,,,,会员" p_source = "八爪鱼(.*?)会员" source = r
time用法
qq_42839893的博客
01-04 205
import time 获取当前时间戳 t = time.time() print(‘1）获取当前时间戳：’, t) 当前时间的struct_time形式 t = time.localtime() print(‘2）当前时间的struct_time形式：’, t) print(‘3）当前年份：’, t.tm_year) 当前时间的字符串形式 t = time.ctime() print(‘4）当前时间的字符串形式：’, t) 当前时间自定义格式的字符串 t = time.strftime("%Y-%m-%d
Pandas数据表拼接
05-13
Pandas中有三种常见的数据表拼接方式： 1. concatenate（连接）：沿着一个轴将多个数据表堆叠在一起。 2. merge（合并）：根据一个或多个键将不同的数据表连接在一起。 3. join（联接）：根据索引将不同的数据表连接在一起。 下面是各种拼接方式的示例： 1. concatenate ```python import pandas as pd # 创建两个数据表 df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'], 'B': ['B0', 'B1', 'B2', 'B3'], 'C': ['C0', 'C1', 'C2', 'C3'], 'D': ['D0', 'D1', 'D2', 'D3']}) df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'], 'B': ['B4', 'B5', 'B6', 'B7'], 'C': ['C4', 'C5', 'C6', 'C7'], 'D': ['D4', 'D5', 'D6', 'D7']}) # 沿着行方向将两个数据表连接起来 result = pd.concat([df1, df2]) print(result) ``` 输出结果： ``` A B C D 0 A0 B0 C0 D0 1 A1 B1 C1 D1 2 A2 B2 C2 D2 3 A3 B3 C3 D3 0 A4 B4 C4 D4 1 A5 B5 C5 D5 2 A6 B6 C6 D6 3 A7 B7 C7 D7 ``` 2. merge ```python import pandas as pd # 创建两个数据表 df1 = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'], 'A': ['A0', 'A1', 'A2', 'A3'], 'B': ['B0', 'B1', 'B2', 'B3']}) df2 = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'], 'C': ['C0', 'C1', 'C2', 'C3'], 'D': ['D0', 'D1', 'D2', 'D3']}) # 根据 key 列将两个数据表连接起来 result = pd.merge(df1, df2, on='key') print(result) ``` 输出结果： ``` key A B C D 0 K0 A0 B0 C0 D0 1 K1 A1 B1 C1 D1 2 K2 A2 B2 C2 D2 3 K3 A3 B3 C3 D3 ``` 3. join ```python import pandas as pd # 创建两个数据表 df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'], 'B': ['B0', 'B1', 'B2', 'B3']}, index=['K0', 'K1', 'K2', 'K3']) df2 = pd.DataFrame({'C': ['C0', 'C1', 'C2', 'C3'], 'D': ['D0', 'D1', 'D2', 'D3']}, index=['K0', 'K1', 'K2', 'K3']) # 根据索引将两个数据表连接起来 result = df1.join(df2) print(result) ``` 输出结果： ``` A B C D K0 A0 B0 C0 D0 K1 A1 B1 C1 D1 K2 A2 B2 C2 D2 K3 A3 B3 C3 D3 ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值