pandas dataframe的合并實(shí)現(xiàn)（append, merge, concat）
創(chuàng)建2個(gè)DataFrame：
>>> df1 = pd.DataFrame(np.ones((4, 4))*1, columns=list('DCBA'), index=list('4321'))
>>> df2 = pd.DataFrame(np.ones((4, 4))*2, columns=list('FEDC'), index=list('6543'))
>>> df3 = pd.DataFrame(np.ones((4, 4))*3, columns=list('FEBA'), index=list('6521'))
>>> df1
D C B A
4 1.0 1.0 1.0 1.0
3 1.0 1.0 1.0 1.0
2 1.0 1.0 1.0 1.0
1 1.0 1.0 1.0 1.0
>>> df2
F E D C
6 2.0 2.0 2.0 2.0
5 2.0 2.0 2.0 2.0
4 2.0 2.0 2.0 2.0
3 2.0 2.0 2.0 2.0
>>> df3
F E B A
6 3.0 3.0 3.0 3.0
5 3.0 3.0 3.0 3.0
2 3.0 3.0 3.0 3.0
1 3.0 3.0 3.0 3.0
1，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)
示例：
>>> pd.concat([df1, df2]) A B C D E F 4 1.0 1.0 1.0 1.0 NaN NaN 3 1.0 1.0 1.0 1.0 NaN NaN 2 1.0 1.0 1.0 1.0 NaN NaN 1 1.0 1.0 1.0 1.0 NaN NaN 6 NaN NaN 2.0 2.0 2.0 2.0 5 NaN NaN 2.0 2.0 2.0 2.0 4 NaN NaN 2.0 2.0 2.0 2.0 3 NaN NaN 2.0 2.0 2.0 2.0
1.1，axis
默認(rèn)值：axis=0
axis=0：豎方向（index）合并，合并方向index作列表相加，非合并方向columns取并集
axis=1：橫方向（columns）合并，合并方向columns作列表相加，非合并方向index取并集
axis=0：
>>> pd.concat([df1, df2], axis=0) A B C D E F 4 1.0 1.0 1.0 1.0 NaN NaN 3 1.0 1.0 1.0 1.0 NaN NaN 2 1.0 1.0 1.0 1.0 NaN NaN 1 1.0 1.0 1.0 1.0 NaN NaN 6 NaN NaN 2.0 2.0 2.0 2.0 5 NaN NaN 2.0 2.0 2.0 2.0 4 NaN NaN 2.0 2.0 2.0 2.0 3 NaN NaN 2.0 2.0 2.0 2.0
axis=1：
>>> pd.concat([df1, df2], axis=1) D C B A F E D C 1 1.0 1.0 1.0 1.0 NaN NaN NaN NaN 2 1.0 1.0 1.0 1.0 NaN NaN NaN NaN 3 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 4 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 5 NaN NaN NaN NaN 2.0 2.0 2.0 2.0 6 NaN NaN NaN NaN 2.0 2.0 2.0 2.0
備注：原df中，取并集的行/列名稱(chēng)不能有重復(fù)項(xiàng)，即axis=0時(shí)columns不能有重復(fù)項(xiàng)，axis=1時(shí)index不能有重復(fù)項(xiàng)：
>>> df1.columns = list('DDBA')
>>> pd.concat([df1, df2], axis=0)
ValueError: Plan shapes are not aligned
1.2，join
默認(rèn)值：join=‘outer'
非合并方向的行/列名稱(chēng)：取交集（inner），取并集（outer）。
axis=0時(shí)join='inner'，columns取交集：
>>> pd.concat([df1, df2], axis=0, join='inner') D C 4 1.0 1.0 3 1.0 1.0 2 1.0 1.0 1 1.0 1.0 6 2.0 2.0 5 2.0 2.0 4 2.0 2.0 3 2.0 2.0
axis=1時(shí)join='inner'，index取交集：
>>> pd.concat([df1, df2], axis=1, join='inner') D C B A F E D C 4 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 3 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0
1.3，join_axes
默認(rèn)值：join_axes=None，取并集
合并后，可以設(shè)置非合并方向的行/列名稱(chēng)，使用某個(gè)df的行/列名稱(chēng)
axis=0時(shí)join_axes=[df1.columns]，合并后columns使用df1的：
>>> pd.concat([df1, df2], axis=0, join_axes=[df1.columns]) D C B A 4 1.0 1.0 1.0 1.0 3 1.0 1.0 1.0 1.0 2 1.0 1.0 1.0 1.0 1 1.0 1.0 1.0 1.0 6 2.0 2.0 NaN NaN 5 2.0 2.0 NaN NaN 4 2.0 2.0 NaN NaN 3 2.0 2.0 NaN NaN
axis=1時(shí)axes=[df1.index]，合并后index使用df2的：
pd.concat([df1, df2], axis=1, join_axes=[df1.index]) D C B A F E D C 4 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 3 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 2 1.0 1.0 1.0 1.0 NaN NaN NaN NaN 1 1.0 1.0 1.0 1.0 NaN NaN NaN NaN
同時(shí)設(shè)置join和join_axes的，以join_axes為準(zhǔn)：
>>> pd.concat([df1, df2], axis=0, join='inner', join_axes=[df1.columns]) D C B A 4 1.0 1.0 1.0 1.0 3 1.0 1.0 1.0 1.0 2 1.0 1.0 1.0 1.0 1 1.0 1.0 1.0 1.0 6 2.0 2.0 NaN NaN 5 2.0 2.0 NaN NaN 4 2.0 2.0 NaN NaN 3 2.0 2.0 NaN NaN
1.4，ignore_index
默認(rèn)值：ignore_index=False
合并方向是否忽略原行/列名稱(chēng)，而采用系統(tǒng)默認(rèn)的索引，即從0開(kāi)始的int。
axis=0時(shí)ignore_index=True，index采用系統(tǒng)默認(rèn)索引：
>>> pd.concat([df1, df2], axis=0, ignore_index=True) A B C D E F 0 1.0 1.0 1.0 1.0 NaN NaN 1 1.0 1.0 1.0 1.0 NaN NaN 2 1.0 1.0 1.0 1.0 NaN NaN 3 1.0 1.0 1.0 1.0 NaN NaN 4 NaN NaN 2.0 2.0 2.0 2.0 5 NaN NaN 2.0 2.0 2.0 2.0 6 NaN NaN 2.0 2.0 2.0 2.0 7 NaN NaN 2.0 2.0 2.0 2.0
axis=1時(shí)ignore_index=True，columns采用系統(tǒng)默認(rèn)索引：
>>> pd.concat([df1, df2], axis=1, ignore_index=True) 0 1 2 3 4 5 6 7 1 1.0 1.0 1.0 1.0 NaN NaN NaN NaN 2 1.0 1.0 1.0 1.0 NaN NaN NaN NaN 3 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 4 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 5 NaN NaN NaN NaN 2.0 2.0 2.0 2.0 6 NaN NaN NaN NaN 2.0 2.0 2.0 2.0
1.5，keys
默認(rèn)值：keys=None
可以加一層標(biāo)簽，標(biāo)識(shí)行/列名稱(chēng)屬于原來(lái)哪個(gè)df。
axis=0時(shí)設(shè)置keys：
>>> pd.concat([df1, df2], axis=0, keys=['x', 'y']) A B C D E F x 4 1.0 1.0 1.0 1.0 NaN NaN 3 1.0 1.0 1.0 1.0 NaN NaN 2 1.0 1.0 1.0 1.0 NaN NaN 1 1.0 1.0 1.0 1.0 NaN NaN y 6 NaN NaN 2.0 2.0 2.0 2.0 5 NaN NaN 2.0 2.0 2.0 2.0 4 NaN NaN 2.0 2.0 2.0 2.0 3 NaN NaN 2.0 2.0 2.0 2.0
axis=1時(shí)設(shè)置keys：
>>> pd.concat([df1, df2], axis=1, keys=['x', 'y']) x y D C B A F E D C 1 1.0 1.0 1.0 1.0 NaN NaN NaN NaN 2 1.0 1.0 1.0 1.0 NaN NaN NaN NaN 3 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 4 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 5 NaN NaN NaN NaN 2.0 2.0 2.0 2.0 6 NaN NaN NaN NaN 2.0 2.0 2.0 2.0
也可以傳字典取代keys：
>>> pd.concat({'x': df1, 'y': df2}, axis=0)
A B C D E F
x 4 1.0 1.0 1.0 1.0 NaN NaN
3 1.0 1.0 1.0 1.0 NaN NaN
2 1.0 1.0 1.0 1.0 NaN NaN
1 1.0 1.0 1.0 1.0 NaN NaN
y 6 NaN NaN 2.0 2.0 2.0 2.0
5 NaN NaN 2.0 2.0 2.0 2.0
4 NaN NaN 2.0 2.0 2.0 2.0
3 NaN NaN 2.0 2.0 2.0 2.0
1.6，levels
默認(rèn)值：levels=None
明確行/列名稱(chēng)取值范圍：
>>> pd.concat([df1, df2], axis=0, keys=['x', 'y'], levels=[['x', 'y', 'z', 'w']]) >>> df.index.levels [['x', 'y', 'z', 'w'], ['1', '2', '3', '4', '5', '6']]
1.7，sort
默認(rèn)值：sort=True，提示新版本會(huì)設(shè)置默認(rèn)為False，并取消該參數(shù)
但0.22.0中雖然取消了，還是設(shè)置為T(mén)rue
非合并方向的行/列名稱(chēng)是否排序。例如1.1中默認(rèn)axis=0時(shí)columns進(jìn)行了排序，axis=1時(shí)index進(jìn)行了排序。
axis=0時(shí)sort=False，columns不作排序：
>>> pd.concat([df1, df2], axis=0, sort=False) D C B A F E 4 1.0 1.0 1.0 1.0 NaN NaN 3 1.0 1.0 1.0 1.0 NaN NaN 2 1.0 1.0 1.0 1.0 NaN NaN 1 1.0 1.0 1.0 1.0 NaN NaN 6 2.0 2.0 NaN NaN 2.0 2.0 5 2.0 2.0 NaN NaN 2.0 2.0 4 2.0 2.0 NaN NaN 2.0 2.0 3 2.0 2.0 NaN NaN 2.0 2.0
axis=1時(shí)sort=False，index不作排序：
>>> pd.concat([df1, df2], axis=1, sort=False) D C B A F E D C 4 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 3 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 2 1.0 1.0 1.0 1.0 NaN NaN NaN NaN 1 1.0 1.0 1.0 1.0 NaN NaN NaN NaN 6 NaN NaN NaN NaN 2.0 2.0 2.0 2.0 5 NaN NaN NaN NaN 2.0 2.0 2.0 2.0
1.8，concat多個(gè)DataFrame
>>> pd.concat([df1, df2, df3], sort=False, join_axes=[df1.columns]) D C B A 4 1.0 1.0 1.0 1.0 3 1.0 1.0 1.0 1.0 2 1.0 1.0 1.0 1.0 1 1.0 1.0 1.0 1.0 6 2.0 2.0 NaN NaN 5 2.0 2.0 NaN NaN 4 2.0 2.0 NaN NaN 3 2.0 2.0 NaN NaN 6 NaN NaN 3.0 3.0 5 NaN NaN 3.0 3.0 2 NaN NaN 3.0 3.0 1 NaN NaN 3.0 3.0
2，append
append(self, other, ignore_index=False, verify_integrity=False)
豎方向合并df，沒(méi)有axis屬性
不會(huì)就地修改，而是會(huì)創(chuàng)建副本
示例：
>>> df1.append(df2) # 相當(dāng)于pd.concat([df1, df2]) A B C D E F 4 1.0 1.0 1.0 1.0 NaN NaN 3 1.0 1.0 1.0 1.0 NaN NaN 2 1.0 1.0 1.0 1.0 NaN NaN 1 1.0 1.0 1.0 1.0 NaN NaN 6 NaN NaN 2.0 2.0 2.0 2.0 5 NaN NaN 2.0 2.0 2.0 2.0 4 NaN NaN 2.0 2.0 2.0 2.0 3 NaN NaN 2.0 2.0 2.0 2.0
2.1，ignore_index屬性
>>> df1.append(df2, ignore_index=True) A B C D E F 0 1.0 1.0 1.0 1.0 NaN NaN 1 1.0 1.0 1.0 1.0 NaN NaN 2 1.0 1.0 1.0 1.0 NaN NaN 3 1.0 1.0 1.0 1.0 NaN NaN 4 NaN NaN 2.0 2.0 2.0 2.0 5 NaN NaN 2.0 2.0 2.0 2.0 6 NaN NaN 2.0 2.0 2.0 2.0 7 NaN NaN 2.0 2.0 2.0 2.0
2.2，append多個(gè)DataFrame
和concat相同，append也支持append多個(gè)DataFrame
>>> df1.append([df2, df3], ignore_index=True) A B C D E F 0 1.0 1.0 1.0 1.0 NaN NaN 1 1.0 1.0 1.0 1.0 NaN NaN 2 1.0 1.0 1.0 1.0 NaN NaN 3 1.0 1.0 1.0 1.0 NaN NaN 4 NaN NaN 2.0 2.0 2.0 2.0 5 NaN NaN 2.0 2.0 2.0 2.0 6 NaN NaN 2.0 2.0 2.0 2.0 7 NaN NaN 2.0 2.0 2.0 2.0 8 3.0 3.0 NaN NaN 3.0 3.0 9 3.0 3.0 NaN NaN 3.0 3.0 10 3.0 3.0 NaN NaN 3.0 3.0 11 3.0 3.0 NaN NaN 3.0 3.0
3，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,
validate=None)
示例：
>>> left = pd.DataFrame({'A': ['a0', 'a1', 'a2', 'a3'],
'B': ['b0', 'b1', 'b2', 'b3'],
'k1': ['x', 'x', 'y', 'y']})
>>> right = pd.DataFrame({'C': ['c1', 'c2', 'c3', 'c4'],
'D': ['d1', 'd2', 'd3', 'd4'],
'k1': ['y', 'y', 'z', 'z']})
>>> left
A B k1
0 a0 b0 x
1 a1 b1 x
2 a2 b2 y
3 a3 b3 y
>>> right
C D k1
0 c1 d1 y
1 c2 d2 y
2 c3 d3 z
3 c4 d4 z
對(duì)df1和df2進(jìn)行merge：
>>> pd.merge(left, right) A B k1 C D 0 a2 b2 y c1 d1 1 a2 b2 y c2 d2 2 a3 b3 y c1 d1 3 a3 b3 y c2 d2
可以看到只有df1和df2的key1=y的行保留了下來(lái)，即默認(rèn)合并后只保留有共同列項(xiàng)并且值相等行（即交集）。
本例中l(wèi)eft和right的k1=y分別有2個(gè)，最終構(gòu)成了2*2=4行。
如果沒(méi)有共同列會(huì)報(bào)錯(cuò)：
>>> del left['k1'] >>> pd.merge(left, right) pandas.errors.MergeError: No common columns to perform merge on
3.1，on屬性
新增一個(gè)共同列，但沒(méi)有相等的值，發(fā)現(xiàn)合并返回是空列表，因?yàn)槟J(rèn)只保留所有共同列都相等的行：
>>> left['k2'] = list('1234')
>>> right['k2'] = list('5678')
>>> pd.merge(left, right)
Empty DataFrame
Columns: [B, A, k1, k2, F, E]
Index: []
可以指定on，設(shè)定合并基準(zhǔn)列，就可以根據(jù)k1進(jìn)行合并，并且left和right共同列k2會(huì)同時(shí)變換名稱(chēng)后保留下來(lái)：
>>> pd.merge(left, right, on='k1') A B k1 k2_x C D k2_y 0 a2 b2 y 3 c1 d1 5 1 a2 b2 y 3 c2 d2 6 2 a3 b3 y 4 c1 d1 5 3 a3 b3 y 4 c2 d2 6
默認(rèn)值：on的默認(rèn)值是所有共同列，本例為：on=['k1', 'k2']
3.2，how屬性
how取值范圍：'inner', 'outer', 'left', 'right'
默認(rèn)值：how='inner'
‘inner'：共同列的值必須完全相等：
>>> pd.merge(left, right, on='k1', how='inner') A B k1 k2_x C D k2_y 0 a2 b2 y 3 c1 d1 5 1 a2 b2 y 3 c2 d2 6 2 a3 b3 y 4 c1 d1 5 3 a3 b3 y 4 c2 d2 6
‘outer'：共同列的值都會(huì)保留，left或right在共同列上的差集，會(huì)對(duì)它們的缺失列項(xiàng)的值賦上NaN：
>>> pd.merge(left, right, on='k1', how='outer') A B k1 k2_x C D k2_y 0 a0 b0 x 1 NaN NaN NaN 1 a1 b1 x 2 NaN NaN NaN 2 a2 b2 y 3 c1 d1 5 3 a2 b2 y 3 c2 d2 6 4 a3 b3 y 4 c1 d1 5 5 a3 b3 y 4 c2 d2 6 6 NaN NaN z NaN c3 d3 7 7 NaN NaN z NaN c4 d4 8
‘left'：根據(jù)左邊的DataFrame確定共同列的保留值，右邊缺失列項(xiàng)的值賦上NaN：
pd.merge(left, right, on='k1', how='left') A B k1 k2_x C D k2_y 0 a0 b0 x 1 NaN NaN NaN 1 a1 b1 x 2 NaN NaN NaN 2 a2 b2 y 3 c1 d1 5 3 a2 b2 y 3 c2 d2 6 4 a3 b3 y 4 c1 d1 5 5 a3 b3 y 4 c2 d2 6
‘right'：根據(jù)右邊的DataFrame確定共同列的保留值，左邊缺失列項(xiàng)的值賦上NaN：
>>> pd.merge(left, right, on='k1', how='right') A B k1 k2_x C D k2_y 0 a2 b2 y 3 c1 d1 5 1 a3 b3 y 4 c1 d1 5 2 a2 b2 y 3 c2 d2 6 3 a3 b3 y 4 c2 d2 6 4 NaN NaN z NaN c3 d3 7 5 NaN NaN z NaN c4 d4 8
3.3，indicator
默認(rèn)值：indicator=False，不顯示合并方式
設(shè)置True表示顯示合并方式，即left / right / both：
>>> pd.merge(left, right, on='k1', how='outer', indicator=True) A B k1 k2_x C D k2_y _merge 0 a0 b0 x 1 NaN NaN NaN left_only 1 a1 b1 x 2 NaN NaN NaN left_only 2 a2 b2 y 3 c1 d1 5 both 3 a2 b2 y 3 c2 d2 6 both 4 a3 b3 y 4 c1 d1 5 both 5 a3 b3 y 4 c2 d2 6 both 6 NaN NaN z NaN c3 d3 7 right_only 7 NaN NaN z NaN c4 d4 8 right_only
以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
Django基礎(chǔ)知識(shí) web框架的本質(zhì)詳解
這篇文章主要介紹了Django基礎(chǔ)知識(shí) web框架的本質(zhì)詳解,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-07-07
Python文件讀寫(xiě)處理日常任務(wù)終極工具實(shí)例
Python文件的讀寫(xiě)操作時(shí),有很多需要考慮的細(xì)節(jié),這包括文件打開(kāi)方式、讀取和寫(xiě)入數(shù)據(jù)的方法、異常處理等,在本文中,將深入探討Python中的文件操作,旨在提供全面的指南,幫你充分了解Python文件的讀寫(xiě)2023-11-11
tensorflow中tf.reduce_mean函數(shù)的使用
這篇文章主要介紹了tensorflow中tf.reduce_mean函數(shù)的使用，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-04-04
在本篇文章里小編給大家分享的是關(guān)于Django分組聚合查詢(xún)實(shí)例內(nèi)容，需要的朋友們可以參考下。2020-04-04
基于python實(shí)現(xiàn)藍(lán)牙通信代碼實(shí)例
這篇文章主要介紹了基于python實(shí)現(xiàn)藍(lán)牙通信代碼實(shí)例,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-11-11
python用TensorFlow做圖像識(shí)別的實(shí)現(xiàn)
這篇文章主要介紹了python用TensorFlow做圖像識(shí)別的實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-04-04
在Python中，生成器和迭代器是實(shí)現(xiàn)惰性計(jì)算的兩種重要工具，它們可以幫助我們更有效地處理數(shù)據(jù)接下來(lái)，小編就來(lái)為大家詳細(xì)介紹這兩種工具吧2023-07-07
這篇文章主要介紹了基于Python測(cè)試程序是否有錯(cuò)誤,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-05-05
python實(shí)點(diǎn)云分割k-means(sklearn)詳解
這篇文章主要為大家詳細(xì)介紹了Python實(shí)點(diǎn)云分割k-means，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2020-05-05
這篇文章主要介紹了Python編寫(xiě)打字訓(xùn)練小程序,需要的朋友可以參考下2019-09-09