Pandas-高级处理（一）：DataFrame多表联合【join：直接通过“索引”来连接2个DF】【merge：通过“自定义外键”来连接2个DF】【inner、left、right、outer】

已于 2022-04-12 00:12:40 修改
阅读量3.7k 收藏 10
点赞数 3
分类专栏： Pandas 文章标签： Pandas 高级处理 合并 merge join
于 2022-04-10 23:34:55 首次发布
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/u013250861/article/details/124088709
版权

Pandas具有全功能的，高性能内存中连接操作，与SQL等关系数据库非常相似

一、join：直接通过“索引”链接合并2个DataFrame

x.join(self, other, on=None, how="left", lsuffix="", rsuffix="", sort=False) -> DataFrame

1、案例01

import numpy as np
import pandas as pd

# pd.join() → 直接通过索引链接

left = pd.DataFrame({'A': ['A0', 'A1', 'A2'],
                     'B': ['B0', 'B1', 'B2']},
                    index=['K0', 'K1', 'K2'])
right = pd.DataFrame({'C': ['C0', 'C2', 'C3'],
                      'D': ['D0', 'D2', 'D3']},
                     index=['K0', 'K2', 'K3'])
print("left = \n", left)
print('-' * 100)
print("right = \n", right)
print('-' * 200)

x1 = left.join(right)
print("x1 = \n", x1)
print('-' * 100)
# 等价于：pd.merge(left, right, left_index=True, right_index=True, how='outer')
x2 = left.join(right, how='outer')
print("x2 = \n", x2)
print('-' * 200)

打印结果：

left = 
      A   B
K0  A0  B0
K1  A1  B1
K2  A2  B2
----------------------------------------------------------------------------------------------------
right = 
      C   D
K0  C0  D0
K2  C2  D2
K3  C3  D3
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
x1 = 
      A   B    C    D
K0  A0  B0   C0   D0
K1  A1  B1  NaN  NaN
K2  A2  B2   C2   D2
----------------------------------------------------------------------------------------------------
x2 = 
       A    B    C    D
K0   A0   B0   C0   D0
K1   A1   B1  NaN  NaN
K2   A2   B2   C2   D2
K3  NaN  NaN   C3   D3
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Process finished with exit code 0

2、案例02

import numpy as np
import pandas as pd

# pd.join() → 直接通过索引链接

left = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A4'],
                     'B': ['B0', 'B1', 'B2', 'B4']},
                    index=['K0', 'K1', 'K2', 'K4'])
right = pd.DataFrame({'C': ['C0', 'C2', 'C3']},
                     index=['K0', 'K2', 'K3'])
print("left = \n", left)
print('-' * 100)
print("right = \n", right)
print('-' * 200)

x1 = left.join(right)
print("x1 = \n", x1)
print('-' * 100)
# 等价于：pd.merge(left, right, left_index=True, right_index=True, how='outer')
x2 = left.join(right, how='outer')
print("x2 = \n", x2)
print('-' * 200)

打印结果：

left = 
      A   B
K0  A0  B0
K1  A1  B1
K2  A2  B2
K4  A4  B4
----------------------------------------------------------------------------------------------------
right = 
      C
K0  C0
K2  C2
K3  C3
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
x1 = 
      A   B    C
K0  A0  B0   C0
K1  A1  B1  NaN
K2  A2  B2   C2
K4  A4  B4  NaN
----------------------------------------------------------------------------------------------------
x2 = 
       A    B    C
K0   A0   B0   C0
K1   A1   B1  NaN
K2   A2   B2   C2
K3  NaN  NaN   C3
K4   A4   B4  NaN
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Process finished with exit code 0

3、x1连接x2的某一列

import pandas as pd

# pd.join() → 直接通过索引链接

df1 = pd.DataFrame({'key': list('bbacaab'),
                    'data1': [1, 3, 2, 4, 5, 9, 7]})
df2 = pd.DataFrame({'key': list('abd'),
                    'date2': [11, 2, 33]})
print("df1 = \n", df1)
print('-' * 100)
print("df2 = \n", df2)
print('-' * 200)

# df1只连接df2的date2列
df3 = df2['date2']
print("df3 = \n{0}\n type(df3) = {1}".format(df3, type(df3)))
print('-' * 100)

x2 = df1.join(df2['date2'])
print("x2 = \n", x2)
print('-' * 200)

打印结果：

df1 = 
   key  data1
0   b      1
1   b      3
2   a      2
3   c      4
4   a      5
5   a      9
6   b      7
----------------------------------------------------------------------------------------------------
df2 = 
   key  date2
0   a     11
1   b      2
2   d     33
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
df3 = 
0    11
1     2
2    33
Name: date2, dtype: int64
 type(df3) = <class 'pandas.core.series.Series'>
----------------------------------------------------------------------------------------------------
x2 = 
   key  data1  date2
0   b      1   11.0
1   b      3    2.0
2   a      2   33.0
3   c      4    NaN
4   a      5    NaN
5   a      9    NaN
6   b      7    NaN
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Process finished with exit code 0

二、merge：通过“自定义外键”链接合并2个DataFrame

pd.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)

  • 可以指定按照两组数据的共同键值对合并或者左右各自
  • left: DataFrame
  • right: 另一个DataFrame
  • on: 指定的共同键
  • how:按照什么方式连接
  • left_on, right_on, left_index, right_index ：当连接键不为相同的列时，可以单独设置左键与右键
Merge methodSQL Join NameDescription
leftLEFT OUTER JOINUse keys from left frame only
rightRIGHT OUTER JOINUse keys from right frame only
outerFULL OUTER JOINUse union of keys from both frames
innerINNER JOINUse intersection of keys from both frames
left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
                        'key2': ['K0', 'K1', 'K0', 'K1'],
                        'A': ['A0', 'A1', 'A2', 'A3'],
                        'B': ['B0', 'B1', 'B2', 'B3']})

right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
                        'key2': ['K0', 'K0', 'K0', 'K0'],
                        'C': ['C0', 'C1', 'C2', 'C3'],
                        'D': ['D0', 'D1', 'D2', 'D3']})

import pandas as pd

# pd.join() → 直接通过索引链接

df1 = pd.DataFrame({'key': list('bbacaab'),
                    'data1': [1, 3, 2, 4, 5, 9, 7]})
df2 = pd.DataFrame({'key': list('abd'),
                    'date2': [11, 2, 33]})
print("df1 = \n", df1)
print('-' * 100)
print("df2 = \n", df2)
print('-' * 200)

# 以相同的键 'key' 为外键
x1 = pd.merge(df1, df2)  # 默认 inner方式
print("x1 = \n", x1)
print('-' * 200)

# 开启 left_index=True, right_index=True 之后，默认 suffixes=('_x', '_y')
x2 = pd.merge(df1, df2, left_index=True, right_index=True, suffixes=('_x', '_y'))
print("x2 = \n", x2)
print('-' * 200)

# 开启 left_index=True, right_index=True 之后，默认 suffixes=('_x', '_y')
x3 = pd.merge(df1, df2, left_index=True, right_index=True, how='outer', suffixes=('_x', '_y'))
print("x3 = \n", x3)
print('-' * 200)

打印结果：

df1 = 
   key  data1
0   b      1
1   b      3
2   a      2
3   c      4
4   a      5
5   a      9
6   b      7
----------------------------------------------------------------------------------------------------
df2 = 
   key  date2
0   a     11
1   b      2
2   d     33
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
x1 = 
   key  data1  date2
0   b      1      2
1   b      3      2
2   b      7      2
3   a      2     11
4   a      5     11
5   a      9     11
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
x2 = 
   key_x  data1 key_y  date2
0     b      1     a     11
1     b      3     b      2
2     a      2     d     33
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
x3 = 
   key_x  data1 key_y  date2
0     b      1     a   11.0
1     b      3     b    2.0
2     a      2     d   33.0
3     c      4   NaN    NaN
4     a      5   NaN    NaN
5     a      9   NaN    NaN
6     b      7   NaN    NaN
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Process finished with exit code 0

1、内连接（默认内连接）

inner：默认，取交集

# 默认内连接
result = pd.merge(left, right, on=['key1', 'key2'])

在这里插入图片描述

2、左连接

left：按照左表为参考合并，数据缺失范围NaN

result = pd.merge(left, right, how='left', on=['key1', 'key2'])

在这里插入图片描述

3、右连接

right：按照右表为参考合并，数据缺失范围NaN

result = pd.merge(left, right, how='right', on=['key1', 'key2'])

在这里插入图片描述

4、外链接

outer：取并集，数据缺失范围NaN

result = pd.merge(left, right, how='outer', on=['key1', 'key2'])

在这里插入图片描述

5、参数：left_on、right_on、left_index、right_index

当连接键不为相同的列时，单独设置左键&右键

import numpy as np
import pandas as pd

# 参数 left_on, right_on, left_index, right_index → 当连接键不为相同的列时，单独设置左键&右键

df1 = pd.DataFrame({'lkey': list('bbacaab'),
                    'data1': range(7)})
df2 = pd.DataFrame({'rkey': list('abd'),
                    'date2': range(3)})

print("df1 = \n", df1)
print('-' * 100)
print("df2 = \n", df2)
print('-' * 200)

# df1以‘lkey’为键，df2以‘rkey’为键
data1 = pd.merge(df1, df2, left_on='lkey', right_on='rkey')
print("data1 = \n", data1)
print('-' * 200)

df1 = pd.DataFrame({'key': list('abcdfeg'),
                    'data1': range(7)})
df2 = pd.DataFrame({'date2': range(100, 105)},
                   index=list('abcde'))

# df1以‘key’为键，df2以index为键
# left_index：为True时，第一个df以index为键，默认False
# right_index：为True时，第二个df以index为键，默认False
# 所以 left_on, right_on, left_index, right_index可以相互组合：left_on + right_on, left_on + right_index, left_index + right_on, left_index + right_index
data2 = pd.merge(df1, df2, left_on='key', right_index=True)
print("data2 = \n", data2)
print('-' * 200)

打印结果：

df1 = 
   lkey  data1
0    b      0
1    b      1
2    a      2
3    c      3
4    a      4
5    a      5
6    b      6
----------------------------------------------------------------------------------------------------
df2 = 
   rkey  date2
0    a      0
1    b      1
2    d      2
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
data1 = 
   lkey  data1 rkey  date2
0    b      0    b      1
1    b      1    b      1
2    b      6    b      1
3    a      2    a      0
4    a      4    a      0
5    a      5    a      0
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
data2 = 
   key  data1  date2
0   a      0    100
1   b      1    101
2   c      2    102
3   d      3    103
5   e      5    104
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Process finished with exit code 0

5、参数：sort

import pandas as pd

# 参数 sort

df1 = pd.DataFrame({'key': list('bbacaab'),
                    'data1': [1, 3, 2, 4, 5, 9, 7]})
df2 = pd.DataFrame({'key': list('abd'),
                    'date2': [11, 2, 33]})
print("df1 = \n", df1)
print('-' * 100)
print("df2 = \n", df2)
print('-' * 200)

x1 = pd.merge(df1, df2, on='key', how='outer')
print("x1 = \n", x1)
print('-' * 100)
# sort：按照字典顺序通过 连接键 对结果DataFrame进行排序。默认为False，设置为False会大幅提高性能
x2 = pd.merge(df1, df2, on='key', how='outer', sort=True)
print("x2 = \n", x2)
print('-' * 100)

# 也可直接用Dataframe的排序方法：sort_values，sort_index
x3 = x2.sort_values('data1')
print("x3 = \n", x3)
print('-' * 200)

打印结果：

df1 = 
   key  data1
0   b      1
1   b      3
2   a      2
3   c      4
4   a      5
5   a      9
6   b      7
----------------------------------------------------------------------------------------------------
df2 = 
   key  date2
0   a     11
1   b      2
2   d     33
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
x1 = 
   key  data1  date2
0   b    1.0    2.0
1   b    3.0    2.0
2   b    7.0    2.0
3   a    2.0   11.0
4   a    5.0   11.0
5   a    9.0   11.0
6   c    4.0    NaN
7   d    NaN   33.0
----------------------------------------------------------------------------------------------------
x2 = 
   key  data1  date2
0   a    2.0   11.0
1   a    5.0   11.0
2   a    9.0   11.0
3   b    1.0    2.0
4   b    3.0    2.0
5   b    7.0    2.0
6   c    4.0    NaN
7   d    NaN   33.0
----------------------------------------------------------------------------------------------------
x3 = 
   key  data1  date2
3   b    1.0    2.0
0   a    2.0   11.0
4   b    3.0    2.0
6   c    4.0    NaN
1   a    5.0   11.0
5   b    7.0    2.0
2   a    9.0   11.0
7   d    NaN   33.0
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Process finished with exit code 0

6、参数：suffixes=(‘_x’, ‘_y’)

u013250861
关注
  • 3
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
pyspark中DataFrame之间的join操作
Airstudy的博客
11-23 1765
在pyspark中加载sql之后，会经常遇到各DataFrame之间的join操作，以下给出集中join的调用方式。
PySpark中DataFrame的join操作
数据科学知识库
12-20 1457
常见的类型有 “inner”, “outer”, “left_outer”, “right_outer”, “leftsemi”。在进行 JOIN 操作时，如果两个 DataFrame 有相同的列名，可能需要使用别名（alias）来避免列名冲突。on 参数是一个字符串（单列名）或一个列表（多列名）或一个表达式，指定了合并的基准。包含左边 DataFrame 的所有行，以及与右边 DataFrame 匹配的行。包含右边 DataFrame 的所有行，以及与左边 DataFrame 匹配的行。
pandas之DataFrame的连接函数join()介绍
会飞的哼哧的博客
07-04 4万+
pandas.DataFrame.join 原文参考于https://www.jianshu.com/p/2358d4013067 通过索引或者指定的列连接两个DataFrame。 DataFrame.join(other, on=None, how=’left’, lsuffix=”, rsuffix=”, sort=False) 参数说明 other:【DataFrame，或者带有名字的Se...
【python】pandas:DataFrame合并技巧详解
最新发布
MAOZI8的博客
06-17 778
本文介绍了Pandas库中DataFrame合并的几种常用方法，包括基于键的合并（merge）、沿着轴合并（concat）、基于索引的合并（join）以及追加行（append）。本文将详细介绍Pandas库中DataFrame合并的几种常用方法，包括基于键的合并（merge）、沿着轴合并（concat）、基于索引的合并（join）以及追加行（append）。基于键的合并是最常用的DataFrame合并方法之一。它类似于SQL中的JOIN操作，可以根据两个DataFrame之间的共同列（键）进行合并。
pandas中DataFrame表连接操作，及merge与join的区别
weixin_45602981的博客
11-15 2898
pandas中DataFrame表连接操作，及merge与join的区别。 ValueError: columns overlap but no suffix specified: Index(['dishes_id'], dtype='object') 错误解释
Python：利用pandas对两个dataframe数据进行左联接/左关联(以左边为主体)、右联接/右关联(以右边为主体)、内联接(取交集)、外联接(取并集)操作案例实现代码
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
03-08 4444
​ Python：利用pandas对两个dataframe数据进行左联接/左关联(以左边为主体)、右联接/右关联(以右边为主体)、内联接(取交集)、外联接(取并集)操作案例实现代码 目录 join、left join和right join之间区别 左联接/左关联(以左边为主体)、右联接/右关联(以右边为主体)、内联接(取交集)、外联接(取并集)操作案例 join、left join和right join之间区别 Database之SQLSever：SQL命令实现查询之多表查询、嵌套查询、分页复杂
dataframe 合并_数据分析之Pandas合并操作总结
weixin_39646970的博客
11-27 3066
↑↑↑关注后"星标"Datawhale每日干货 &每月组队学习，不错过Datawhale干货作者：耿远昊，Datawhale成员，华东师范大学pandas 是一个强大的分析结构化数据的工具集，它的使用基础是Numpy(提供高性能的矩阵运算)，用于数据挖掘和数据分析，同时也提供数据清洗功能。Pandas做分析数据，可以分为索引、分组、变形及合并四种操作。前边已经介绍过索引操作...
-saylani-pandas-class-4:saylani-pandas-class-4
04-03
8. **合并与连接**：`merge()`、`join()`和`concat()`用于将多个DataFrame组合在一起。 9. **时间序列分析**：Pandas支持日期和时间相关的数据处理，如`pd.to_datetime()`转换字符串为日期，`resample()`用于时间...
pandas-hacks:回购展示了一些精美的熊猫包装
03-22
5. 数据合并与连接：Pandas提供了`merge()`, `join()`, `concat()`等方法，用于合并多个数据集。这些方法在处理跨表关联和数据拼接时非常有用。 6. 数据重塑：Pivot操作可以帮助我们将数据从长格式转为宽格式，或者...
pandas dataframe的合并实现（append, merge, concat）
09-19
`append()` 方法用于将一个DataFrame对象追加到另一个DataFrame对象的底部，形成一个新的DataFrame。例如： ```python df1.append(df2) ``` 在给出的例子中，`pd.concat([df1, df2])` 实现了相同的效果，将`df1...
Basics-Of-Pandas:Pandas是用于处理数据集的Python库。 它具有分析，清理，浏览和处理数据的功能。 该存储库包含对初学者友好的大熊猫实用练习
03-06
`merge()`类似SQL中的JOIN操作，`concat()`用于堆叠或横向连接多个对象，而`join()`根据索引进行连接。 6. **数据聚合与分组**: `groupby()`函数允许根据一个或多个列的值将数据分组，然后对每个组进行聚合操作，如...
pandas 使用笔记study-pandas-master.zip
05-10
这个"study-pandas-master.zip"压缩包很可能包含了一个详细的学习资源，帮助用户深入理解并掌握Pandas的使用。 1. **数据结构基础** Pandas的核心是DataFrame和Series两种数据结构。DataFrame类似于表格，包含列...
Pandas Dataframe合并连接Join和merge 参数讲解
m0_46716894的博客
04-04 788
但是如果是连接多个键的名字都不同的时候，（比如df1.key1 == df2.key2 , df1.key3 == df2.key4) 那么则最好先通过rename的函数对Dataframe进行改名，之后再merge。当使用cross的时候不需要指定on啥，因为会把左右连接的所有的可能都返回，并不在乎谁和谁相等。这个是merge中的参数，当设置为True的时候，意思是使用索引进行连接。其中merge是需要给键值的。join默认的是使用索引的值。how表示的是连接的方式，一般包含下面的参数，默认是左连接。
一文让你记住Pyspark下DataFrame的7种的Join 效果
爱穿格子裤的专栏
09-02 7592
最近看到了一片好文，虽然很简单，但是配上的插图可以让人很好的记住Pyspark 中的多种Join 类型和实际的效果。原英文链接 Introduction to Pyspark join types - Blog | luminousmen 。 假设使用如下的两个DataFrame 来进行展示 heroes_data = [ ('Deadpool', 3), ('Iron man', 1), ('Groot', 7), ] race_data = [ ('Kryptonian
Pandas库：从入门到应用(三)——多表数据连接
NC_NE的博客
04-15 3184
pandas 多表连接操作
pandas中DataFrame的数据堆叠、连接、重塑
m0_73716246的博客
06-09 3307
A B v1 v2# 内连接print(df3)解析：on=['A','B'] 即将 A、B 列作为连接键，当这个组合键相同时，进行连接，上面的 df1 和 df2 只有索引为2的一行数据是相同的，为 [B,b]，因此，在有多列时，需要满足这几列都相同的数据才会进行连接此外，由于merge需指定连接的列，在两个 df没有相同列需要用到索引时（见下方基于索引），应指定left_on、right_on 参数，否则会报错merge亦可进行纵向的列拼接，但一般来说我们有更好的方法2.基于索引。
利用pandas实现类似sql中的left join操作
kkill_youokk_的博客
08-23 4798
使用pandas的merge函数 import pandas as pd df1 = pd.read_csv(r"1.csv",index_col=0) df2 = pd.read_csv(r"2.csv",index_col=0) # on中填写根据哪个字段来进行连接，how为left代表left join df = pd.merge(df1,df2, on='LocationID',how='left') # print(df) # 只取出这些列，组成新的DataFrame，带有col_name
Dataframe merge：inner，outer，left，right
莲君
01-21 6185
import pandas as pd import numpy as np #dataframe联合与合并数据集 df1=pd.DataFrame({‘key’:[‘b’,‘b’,‘a’,‘c’,‘a’,‘a’,‘b’],‘data1’:range(7)}) df2=pd.DataFrame({‘key’:[‘a’,‘b’,‘d’],‘data2’:range(3)}) merge时只merge...
【pandas】[3] DataFrame 数据合并，连接（merge,join,concat)
热门推荐
LiangHC
05-25 34万+
作者：lianghc 连接：http://blog.csdn.net/zutsoft/article/details/51498026 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merage,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=No...
pandas merge 合并多个 dataframe
07-18
### 回答1： pandas是一个强大的Python数据分析库，其提供了各种操作数据的功能，包括合并多个DataFrame。merge()函数是pandas中一个非常常用的合并数据的方法。 首先，假设有两个DataFrame，df1和df2，它们包含不同的数据列和索引。我们可以使用merge()方法将它们合并成一个新的DataFrame。 merge()函数的基本语法如下： merged_df = pd.merge(df1, df2, on='列名') 其中，df1和df2是待合并的两个DataFrame对象，on='列名'表示根据该列进行合并。如果两个DataFrame的该列数据相等，则合并这两行数据。可以设置参数how来指定合并方式，包括inner、outer、left、right，默认为inner（内连接）。 例如，如果df1中有列A和列B，df2中有列A和列C，我们可以使用如下代码合并它们： merged_df = pd.merge(df1, df2, on='A') 合并后的新DataFrame merged_df 将包含df1和df2的所有列，并且根据列A的数据进行合并。 除了根据列进行合并外，还可以根据索引进行合并。只需将on参数设置为None，然后使用left_index和right_index指定要合并的索引列。 例如，如果我们要根据索引合并df1和df2，可以使用如下代码： merged_df = pd.merge(df1, df2, left_index=True, right_index=True) 这样，合并后的新DataFrame merged_df 将根据索引进行合并，包含df1和df2的所有列。 综上所述，pandas中的merge()函数为我们提供了一种简便的方法来合并多个DataFrame。我们可以根据指定的列或索引进行合并，并通过设置不同的合并方式来控制结果。这使得我们能够轻松地处理和分析大量的数据。 ### 回答2： pandas是一个用于数据分析和数据操作的Python库。其中的merge函数可以用于合并多个DataFrame。下面是如何使用merge函数合并多个DataFrame的步骤： 1. 导入pandas库：首先，需要导入pands库，以便使用其中的merge函数。通常，pandas库已经被安装在Python环境中。 ```python import pandas as pd ``` 2. 创建要合并的DataFrame：准备需要合并的多个DataFrame。每个DataFrame可以包含一些共享的列或不同的列。 ```python df1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) df2 = pd.DataFrame({'A': [1, 2, 3], 'C': [7, 8, 9]}) df3 = pd.DataFrame({'A': [1, 2, 3], 'D': [10, 11, 12]}) ``` 3. 使用merge函数合并DataFrame：使用merge函数将多个DataFrame合并为一个DataFrame。在此过程中，可以指定一些参数，如连接键和合并方式。 ```python merged_df = pd.merge(df1, df2, on='A', how='inner') merged_df = pd.merge(merged_df, df3, on='A', how='inner') ``` 上述代码将df1、df2和df3按'A'这一列进行内连接合并。合并后的DataFrame将包含'A'列以及df1、df2和df3中的其他列。 4. 查看合并后的结果：可以使用head()或tail()函数查看合并后的结果的前几行或后几行。 ```python print(merged_df.head()) ``` 通过执行上述代码，将显示合并后的DataFrame的前几行。 以上是使用pandas的merge函数合并多个DataFrame的基本步骤。可以根据具体的需求，调整参数来实现不同的合并方式，如左连接、右连接、外连接等。 ### 回答3： pandas 中的 merge() 函数可以用于合并多个 DataFrame。合并是根据指定的一列或多列进行的，并且类似于 SQL 中的 JOIN 操作。下面是一个简单的例子来说明如何使用 merge()。 假设我们有两个 DataFrame，df1 和 df2。df1 包含员工的姓名和员工编号，而 df2 包含员工编号和员工的职位信息。我们想要根据员工编号将这两个 DataFrame 合并起来，创建一个新的 DataFrame，其中包含员工的姓名、员工编号和职位信息。 首先，我们使用 merge() 函数将 df1 和 df2 按照员工编号进行合并： merged_df = pd.merge(df1, df2, on='员工编号') 在这里，我们将 df1 和 df2 通过员工编号这一列进行合并，并将结果保存在 merged_df 中。 如果 df1 和 df2 中的列名不同，我们可以使用 left_on 和 right_on 参数来指定要进行合并的列名： merged_df = pd.merge(df1, df2, left_on='df1员工编号', right_on='df2员工编号') 此外，还可以使用 merge() 函数的 how 参数来指定合并的方式，如 'left'、'right'、'inner' 或 'outer'。默认情况下，merge() 函数使用 'inner' 合并方式，即只保留两个 DataFrame 中共有的数据。不过，我们也可以使用其他合并方式来合并数据。 通过使用 merge() 函数，我们可以方便地将多个 DataFrame 进行合并，根据不同的需求生成一个新的 DataFrame。希望这个回答能对你有所帮助。
评论 1
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