python整理合成新数据_python数据分析之：数据清理，转换，合并，重塑(一)

DataFrame合并：

merge运算是将一个或多个键将行链接起来。来看下面的这个例子：

In [5]: df1=DataFrame({'key':['b','b','a','c','a','a','b'],'data1':range(7)})

In [6]: df2=DataFrame({'key':['a','b','d'],'data2':range(3)})

In [7]: df1

Out[7]:

data1 key

0      0   b

1      1   b

2      2   a

3      3   c

4      4   a

5      5   a

6      6   b

In [8]: df2

Out[8]:

data2 key

0      0   a

1      1   b

2      2   d

df1和df2的key值中都含有a,b,d，不同的是在df1中有重复的key值，而在df2中key值都是唯一的。通过merge函数可以将df1和df2中key值相同的行都链接起来。这种操作就和数据库中的inner join操作是差不多的。因为可以看到在合并后的数据中，key＝c和d的列不存在了，因为inner join是取的交集，其他方式还有left,right,outer的方式

In [9]: pd.merge(df1,df2)

Out[9]:

data1 key  data2

0      0   b      1

1      1   b      1

2      6   b      1

3      2   a      0

4      4   a      0

5      5   a      0

取并集的方式

In [15]: pd.merge(df1,df2,how='outer')

Out[15]:

data1 key  data2

0    0.0   b    1.0

1    1.0   b    1.0

2    6.0   b    1.0

3    2.0   a    0.0

4    4.0   a    0.0

5    5.0   a    0.0

6    3.0   c    NaN

7    NaN   d    2.0

但是上面这个merge函数并没有指定对哪个列进行连接，如果没有指定，merge将会将重叠列的列名当做键。df1和df2重叠的键就是key。但是这里最好指定下列的名称。pd.merge(df1,df2,on='key')。注意这里指定列名称的时候，这个列名称必须是在合并数据中都存在的。比如如果指定on=’data1’就会报错，因为在df2中找不到data1的列

但是如果两个对象的列名不一样，也可以分别进行指定

df3=DataFrame({'lkey':['b','b','a','c','a','a','b'],'data1':r

...: ange(7)})

df4=DataFrame({'rkey':['a','b','d'],'data2':range(3)})

通过left_on和right_on来分别指定列

In [19]: pd.merge(df3,df4,left_on='lkey',right_on='rkey')

Out[19]:

data1 lkey  data2 rkey

0      0    b      1    b

1      1    b      1    b

2      6    b      1    b

3      2    a      0    a

4      4    a      0    a

5      5    a      0    a

前面讲到默认合并是inner,通过how来制定合并方式，how有outer,left,right三种方式

In [20]: pd.merge(df1,df2,on='key',how='left')

Out[20]:

data1 key  data2

0      0   b    1.0

1      1   b    1.0

2      2   a    0.0

3      3   c    NaN

4      4   a    0.0

5      5   a    0.0

6      6   b    1.0

right的方式

In [21]: pd.merge(df1,df2,on='key',how='right')

Out[21]:

data1 key  data2

0    0.0   b      1

1    1.0   b      1

2    6.0   b      1

3    2.0   a      0

4    4.0   a      0

5    5.0   a      0

6    NaN   d      2

merge参数

索引上的合并：

有时候，DataFrame中的连接键位于其索引中，在这种情况下，你可以传入left_index=True或right_index=True以说明索引应该被用作连接键

In [22]: left1=DataFrame({'key':['a','b','a','a','b','c'],'value':rang

...: e(6)})

In [24]: right1=DataFrame({'group_val':[3.5,7]},index=['a','b'])

In [29]: pd.merge(left1,right1,left_on='key',right_index=True)

Out[29]:

key  value  group_val

0   a      0        3.5

2   a      2        3.5

3   a      3        3.5

1   b      1        7.0

4   b      4        7.0

通过这种方法，就把right1中group_val的值也一起合并起来了。当然同样的也可以采取并集的方式

In [30]: pd.merge(left1,right1,left_on='key',right_index=True,how='out

...: er')

Out[30]:

key  value  group_val

0   a      0        3.5

2   a      2        3.5

3   a      3        3.5

1   b      1        7.0

4   b      4        7.0

5   c      5        NaN

再来看下复杂的合并，关于层次化的索引。

In [32]: left1=DataFrame({'key1':['ohio','ohio','ohio','nevada','nevad

...: a'],'key2':[2000,2001,2002,2001,2002],'data':np.arange(5.)})

In [34]: right1=DataFrame(np.arange(12).reshape((6,2)),index=[['nevada

...: ','nevada','ohio','ohio','ohio','ohio'],[2001,2000,2000,2000,

...: 2001,2002]],columns=['event1','event2'])

In [35]: left1

Out[35]:

data    key1  key2

0   0.0    ohio  2000

1   1.0    ohio  2001

2   2.0    ohio  2002

3   3.0  nevada  2001

4   4.0  nevada  2002

In [36]: right1

Out[36]:

event1  event2

nevada 2001       0       1

2000       2       3

ohio   2000       4       5

2000       6       7

2001       8       9

2002      10      11

对于多层次索引的数据，必须以列表的形式指明用过合作键的多个列，这里指定key1和key2

去并集的方式

In [40]: pd.merge(left1,right1,left_on=['key1','key2'],right_index=Tru

...: e)

Out[40]:

data    key1  key2  event1  event2

0   0.0    ohio  2000       4       5

0   0.0    ohio  2000       6       7

1   1.0    ohio  2001       8       9

2   2.0    ohio  2002      10      11

3   3.0  nevada  2001       0       1

In [44]: pd.merge(left1,right1,left_on=['key1','key2'],right_index=Tru

...: e,how='outer')

Out[44]:

data    key1  key2  event1  event2

0   0.0    ohio  2000     4.0     5.0

0   0.0    ohio  2000     6.0     7.0

1   1.0    ohio  2001     8.0     9.0

2   2.0    ohio  2002    10.0    11.0

3   3.0  nevada  2001     0.0     1.0

4   4.0  nevada  2002     NaN     NaN

4   NaN  nevada  2000     2.0     3.0

也可以合并双方的索引。

In [45]: left2=DataFrame([[1,2],[3,4],[5,6]],index=['a','c','e'],colum

...: ns=['ohio','nevada'])

In [47]: right2=DataFrame([[7,8],[9,10],[11,12],[13,14]],index=['b','c

...: ','d','e'],columns=['missouri','alabama'])

In [46]: left2

Out[46]:

ohio  nevada

a     1       2

c     3       4

e     5       6

In [48]: right2

Out[48]:

missouri  alabama

b         7        8

c         9       10

d        11       12

e        13       1

将两个数据的所有列的数据全部集合起来。

In [49]: pd.merge(left2,right2,how='outer',left_index=True,right_index

...: =True)

Out[49]:

ohio  nevada  missouri  alabama

a   1.0     2.0       NaN      NaN

b   NaN     NaN       7.0      8.0

c   3.0     4.0       9.0     10.0

d   NaN     NaN      11.0     12.0

e   5.0     6.0      13.0     14.0

DataFrame还有一个join实例方法，它能更方便地实现按索引合并，它还可以用于合并多个带有相同或相似索引的DataFrame对象。而不管它们之间有没有重叠的列。对于上面的例子，我们可以join的方法来实现

In [50]: left2.join(right2,how='outer')

Out[50]:

ohio  nevada  missouri  alabama

a   1.0     2.0       NaN      NaN

b   NaN     NaN       7.0      8.0

c   3.0     4.0       9.0     10.0

d   NaN     NaN      11.0     12.0

e   5.0     6.0      13.0     14.0

轴向连接

轴向连接也可以看做是连接concatenation的操作。

In [4]: arr=np.arange(12).reshape((3,4))

In [5]: arr

Out[5]:

array([[ 0,  1,  2,  3],

[ 4,  5,  6,  7],

[ 8,  9, 10, 11]])

In [6]: np.concatenate([arr,arr],axis=1)

Out[6]:

array([[ 0,  1,  2,  3,  0,  1,  2,  3],

[ 4,  5,  6,  7,  4,  5,  6,  7],

[ 8,  9, 10, 11,  8,  9, 10, 11]])

接下来看下pandas中的concat函数。对于pandas对象，由于具备索引，因此连接运算的时候需要考虑索引的连接。

In [9]: s1=Series([0,1],index=['a','b'])

In [10]: s1

Out[10]:

a    0

b    1

dtype: int64

In [11]: s2=Series([2,3,4],index=['c','d','e'])

In [12]: s2

Out[12]:

c    2

d    3

e    4

dtype: int64

In [13]: s3=Series([5,6],index=['f','g'])

In [14]: s3

Out[14]:

f    5

g    6

dtype: int64

In [15]: pd.concat([s1,s2,s3])

Out[15]:

a    0

b    1

c    2

d    3

e    4

f    5

g    6

dtype: int64

默认情况下，concat是在axis=0上工作的，也就是按照行的方式进行拼接，设置axis=1就可以按照列的方式进行拼接。

In [16]: pd.concat([s1,s2,s3],axis=1)

Out[16]:

0    1    2

a  0.0  NaN  NaN

b  1.0  NaN  NaN

c  NaN  2.0  NaN

d  NaN  3.0  NaN

e  NaN  4.0  NaN

f  NaN  NaN  5.0

g  NaN  NaN  6.0

我们还可以通过传入join=’inner’的方式取得并集

In [17]: s4=pd.concat([s1*5,s3])

In [18]: s4

Out[18]:

a    0

b    5

f    5

g    6

dtype: int64

In [19]: s1

Out[19]:

a    0

b    1

dtype: int64

In [20]: pd.concat([s1,s4],axis=1)

Out[20]:

0  1

a  0.0  0

b  1.0  5

f  NaN  5

g  NaN  6

In [21]: pd.concat([s1,s4],axis=1,join='inner')

Out[21]:

0  1

a  0  0

b  1  5

前面在合并s1,s2,s3的时候得到的结果是

a    0

b    1

c    2

d    3

e    4

f    5

g    6

如果想层次化分层的话，可以通过设置key值来设置层次化索引

In [22]: result=pd.concat([s1,s2,s3],keys=['one','two','thress'])

In [23]: result

Out[23]:

one     a    0

b    1

two     c    2

d    3

e    4

thress  f    5

g    6

dtype: int64

In [25]: result=pd.concat([s1,s2,s3],axis=1,keys=['one','two','thress'])

In [26]: result

Out[26]:

one  two  thress

a  0.0  NaN     NaN

b  1.0  NaN     NaN

c  NaN  2.0     NaN

d  NaN  3.0     NaN

e  NaN  4.0     NaN

f  NaN  NaN     5.0

g  NaN  NaN     6.0

同样的使用方式对与DataFrame也是一样的。

concat函数的参数如下

重塑和轴向旋转

在线性代数中我们有转置的操作。在pandas中我们也可以进行类似的操作

stack:将数据的列旋转为行

unstack:将数据的行旋转为列

In [27]: data=DataFrame(np.arange(6).reshape((2,3)),index=pd.Index(['Ohio','Colo

...: rado'],name='state'),columns=pd.Index(['one','two','three'],name='numbe

...: r'))

In [28]: data

Out[28]:

number    one  two  three

state

Ohio        0    1      2

Colorado    3    4      5

In [29]: result=data.stack()

In [30]: result

Out[30]:

state     number

Ohio      one       0

two       1

three     2

Colorado  one       3

two       4

three     5

dtype: int64

In [31]: result.unstack()

Out[31]:

number    one  two  three

state

Ohio        0    1      2

Colorado    3    4      5

由于我们分别建立了行和列的索引，分别是state和number，因此我们可以指定索引来进行对应的转换

In [33]: result.unstack('state')

Out[33]:

state   Ohio  Colorado

number

one        0         3

two        1         4

three      2         5

In [34]: result.unstack('number')

Out[34]:

number    one  two  three

state

Ohio        0    1      2

Colorado    3    4      5

如果不是所有的数据都在索引中能找到的话，则unstack操作会引入缺失的数据

In [35]: s1=Series([0,1,2,3],index=['a','b','c','d'])

In [38]: s2=Series([4,5,6],index=['c','d','e'])

In [40]: data=pd.concat([s1,s2],keys=['one','two'])

In [41]: data

Out[41]:

one  a    0

b    1

c    2

d    3

two  c    4

d    5

e    6

dtype: int64

In [43]: data.unstack()

Out[43]:

a    b    c    d    e

one  0.0  1.0  2.0  3.0  NaN

two  NaN  NaN  4.0  5.0  6.0