python 横向合并_python16-18合并和图形呈现

16课时 Pandasconcat 合并

合并多个dataframe 可以横向纵行，即可columns的命不一样

用pandas 和numpy

#concatenating

df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])

df2=pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])

df3=pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d'])

print(df1)

print(df2)

print(df3)

res=pd.concat([df1,df2,df3],axis=0，ignore_index=True)  #pd中 记住 axis的代表，合并函数，axis=0 代表行都合并成多行，在行上进行合并，axis=1代表在列上面进行合并, ignore 可以让前面的index重新顺序，而非之前的index。

print(res)

# join,[‘inner’,’outer’]

默认是outer 就是说列上面没有的写为空

而inner是合并的时候，只合并列里面都有列，行保持不变累加。

df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])

df2=pd.DataFrame(np.ones((3,4))*1,columns=['e','b','c','d'])

res=pd.concat([df1,df2],join='inner',ignore_index=True)

print(res)

#join_axes    列向合并

df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'],index=[1,2,3])

df2=pd.DataFrame(np.ones((3,4))*1,columns=['b','c','d','e'],index=[2,3,4])

res=pd.concat([df1,df2],axis=1,join_axes=[df1.index])

print(res)

# append 默认竖向加数据，如果给axis=1 会横向加数据。

df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])

df2=pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])

df3=pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d'])

print(df1.append([df2,df3],ignore_index=True))

#这里的.append函数要先小括号再中括号，小括号一直到末尾函数结束。

添加一个横条，从DataFrame上面添加这个Series。

df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])

s1=pd.Series([1,2,3,4],index=['a','b','c','d'])

res=df1.append(s1,ignore_index=True)  #注意这里的写法

print(res)

解释：不过pandas中series直接用列表生成dataframe只能按行生成，如果是字典可以按列生成

17课时 pandas merge合并

可以对key合并和index合并。按某一个index或column进行合并。用到left right，和on。而且里面某个列的化要用大括号。(key内容一样)

left = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],

'C': ['A0', 'A1', 'A2', 'A3'],

'B': ['B0', 'B1', 'B2', 'B3']})

right = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],

'C': ['C0', 'C1', 'C2', 'C3'],

'D': ['D0', 'D1', 'D2', 'D3']})

res=pd.merge(left,right,on='key')

print(res)

#consider two keys 内容不一样 默认how=‘’inner‘’打印方法 即里面想重复的元素，不重复的行舍掉，并且不是某行相同的元素，而是纯相同的元素，然后不够的补充行，并且重复复制。

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']})

print(left)

print(right)

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

print(res)

#indicator函数  就是告诉你是怎么合并的清楚的告诉你，默认是false，所以要写为true。注意merge是混合合并。想改列的名字就写indicator='名字'即可。

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

print(res)

#index 用index最左边那一行。对比index进行合并。

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)

print(right)

# left_index and right_index

res = pd.merge(left, right, left_index=True, right_index=True, how='outer')

print(res)

#suffixes 后缀

boys = pd.DataFrame({'k': ['K0', 'K1', 'K2'], 'age': [1, 2, 3]})

girls = pd.DataFrame({'k': ['K0', 'K0', 'K3'], 'age': [4, 5, 6]})

res=pd.merge(boys,girls,on='k',suffixes=['_boy','_girl'],how='inner')

print(res)

#join的形式直接百度一下就型，两个是一样的和merge

18课时 padas 的plot图表

可视化图标，也会用到numpy生产一些数据。并且要把可视化的套件也导进去matplotlib.pyplot as plt

#plot data 学习如何生成数据

# Series 这就是个线性的数据列，记得要大写和DataFrame一样要大写，这个是要注意的。

data=pd.Series(np.random.randn(1000),index=np.arange(1000))  #np.random.randn(1000)随机生成1000个数 arange函数用于创建等差数组，使用频率非常高

data=data.cumsum()  #元素累计和累加函数

data.plot() #打印图像

plt.show() 这是显示出来

import matplotlib.pyplot as plt

data=pd.Series(np.random.randn(1000),index=np.arange(1000))

data=data.cumsum()

data.plot()

plt.show()

# DataFrame  矩阵的合并

data = pd.DataFrame(np.random.randn(1000, 4), index=np.arange(1000), columns=list("ABCD"))

data = data.cumsum()

data.plot() #在plot里面可以百度查颜色啊宽度啊这些参数，写进去，此处不详细说明。

plt.show() #注意形成图标是.plot，打印图标是plt.show，这两个不一样。

#“bar”条形图 ‘hist’，‘box’，‘area’，‘scatter‘，‘hexbin’’，‘pie‘’’’，不详解。

# scatter是数据点，(plot是线性)，只有两个属性，x=，y= ，并且他是.plot.sactter即plot后的一个属性

ax = data.plot.scatter(x='A', y='B', color='DarkBlue', label="Class 1")

data.plot.scatter(x='A', y='C', color='DarkGreen', label='Class 2', ax=ax) #ax=第一个ax表示一个图上面打印两个标签，x=‘A’这表示是上个dataframe中的a列’

plt.show()