参考链接： Python | pandas 合并merge，联接join和级联concat
python 把几个DataFrame合并成一个DataFrame——merge,append,join,conca
pandas provides various facilities for easily combining together Series, DataFrame, and Panel objects with various kinds of set logic for the indexes and relational algebra functionality in the case of join / merge-type operations.
1、merge
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)
left
︰
对象
right
︰
另一个
对象
on︰
要
加入
的
列
（名称）
。
必须
在
左
、
右
综合
对象
中
找到
。
如果
不
能
通过
left_index
和
right_index
是
假
，
将
推断
DataFrames
中
的
列
的
交叉点
为
连接
键
left_on
︰
从
左边
的
综合
使用
作为
键
列
。
可以
是
列名
或
数组
的
长度
等于
长度
综合
right_on
︰
从
正确
的
综合
，
以
用作
键
列
。
可以
是
列名
或
数组
的
长度
等于
长度
综合
left_index
︰
如果为
True
，
则
使用
索引
（行
标签）
从
左
综合
作为
其
联接
键。
在
与
多重
（层次）
的
综合
，
级别
数
必须
匹配
联接
键
从
右
综合
的
数目
right_index
︰
相同
用法
作为
正确
综合
left_index
how︰
之一
'左'，
'右'，
'外在'、
'内部'。
默认
为
内部
。
每个
方法
的
更
详细
说明
请
参阅
︰
sort︰
综合
通过
联接
键
按
字典
顺序
对
结果
进行排序
。
默认值
为
True
，
设置
为
False
将
提高
性能
极大地
在
许多
情况下
suffixes︰
字符串
后缀
并
不适
用于
重叠
列
的
元组
。
默认值
为
('_x'，
'_y')。
copy︰
即使
重新索引
是
不
必要
总是
从
传递
的
综合
对象
，
复制
的
数据
（默认值
True）
。
在
许多
情况下
不能
避免
，
但
可能会
提高
性能
/
内存
使用情况
。
可以
避免
复制
上述
案件
有些
病理
但
尽管如此
提供
此
选项
。
indicator︰
将
列
添加
到
输出
综合
呼吁
_merge
与
信息
源
的
每
一行
。
_merge
是
绝对类型
，
并
对
观测
其
合并
键
只
出现
在
'左'
的
综合
，
观测
其
合并
键
只
会出现
在
'正确'
的
综合
，
和
两个
如果
观察
合并
关键
发现
在
两个
right_only
left_only
的
值
。
1.result = pd.merge(left, right, on='key')
2.result = pd.merge(left, right, on=['key1', 'key2'])
3.result = pd.merge(left, right, how='left', on=['key1', 'key2'])
4.result = pd.merge(left, right, how='right', on=['key1', 'key2'])
5.result = pd.merge(left, right, how='outer', on=['key1', 'key2'])
2、append
1.result = df1.append(df2)
2.result = df1.append(df4)
3.result = df1.append([df2, df3])
4.result = df1.append(df4, ignore_index=True)
4、join
left.join(right, on=key_or_keys)
pd.merge(left, right, left_on=key_or_keys, right_index=True,
how='left', sort=False)
1.result = left.join(right, on='key')
2.result = left.join(right, on=['key1', 'key2'])
3.result = left.join(right, on=['key1', 'key2'], how='inner')
4、concat
pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False,
copy=True)
objs︰
一个
序列
或
系列
、
综合
或
面板
对象
的
映射
。
如果
字典
中
传递
，
将
作为
键
参数
，
使用
排序
的
键
，
除非
它
传递
，
在
这
种情况下
的
值
将
会
选择
（见
下文）。
任何
没有任何
反对
将
默默地
被
丢弃
，
除非
他们
都
没有
在
这
种情况下
将
引发
ValueError
。
axis:
{0，
1，
...}，
默认值
为 0。
要
连接
沿
轴
。
join
:
{'内部'、
'外'}，
默认
'外'。
如何
处理
其他
axis(es)
上
的
索引
。
联盟
内
、
外
的
交叉口
。
ignore_index
︰
布尔值
、
默认
False
。
如果
为
True
，
则
不要
串联
轴
上
使用
的
索引
值
。
由此产生
的
轴
将
标记
0，
...
，
n
-
1。
这
是
有用
的
如果
你
串联
串联
轴
没有
有意义
的
索引
信息
的
对象
。
请注意
在
联接
中
仍然
受到尊重
的
其他
轴
上
的
索引
值
。
join_axes
︰
索引
对象
的
列表
。
具体
的
指标
，
用于
其他
n
-
1
轴
而不是
执行
内部/外部
设置
逻辑
。
keys
︰
序列
，
默认
为
无
。
构建
分层
索引
使用
通过
的
键
作为
最
外面
的
级别
。
如果
多个
级别
获得通过
，
应
包含
元组
。
levels
︰
列表
的
序列
，
默认
为
无
。
具体
水平
（唯一
值）
用于
构建
多重
。
否则
，
他们
将
推断
钥匙
。
names
︰
列表中
，
默认
为
无
。
由此产生
的
分层
索引
中
的
级
的
名称
。
verify_integrity
︰
布尔值
、
默认
False
。
检查
是否
新
的
串联
的
轴
包含
重复项
。
这
可以
是
相对于
实际
数据
串联
非常
昂贵
。
副本
︰
布尔值
、
默认
True
。
如果
为
False
，
请
不要
，
不必要地
复制
数据
。
1.frames = [df1, df2, df3]
2.result = pd.concat(frames)
3.result = pd.concat(frames, keys=['x', 'y', 'z'])
4.result.ix['y']
A B C D
4 A4 B4 C4 D4
5 A5 B5 C5 D5
6 A6 B6 C6 D6
7 A7 B7 C7 D7
5.result = pd.concat([df1, df4], axis=1)
6.result = pd.concat([df1, df4], axis=1, join='inner')
7.result = pd.concat([df1, df4], axis=1, join_axes=[df1.index])
8.result = pd.concat([df1, df4], ignore_index=True)
连接：
http://pandas.pydata.org/pandas-docs/stable/merging.html
扫一扫
7万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
