快捷導(dǎo)航

Pandas中Concat與Append的實現(xiàn)與區(qū)別小結(jié)

更新時間：2023年11月22日 09:30:27 作者：阿松愛睡覺

本文主要介紹了Pandas中Concat與Append的實現(xiàn)與區(qū)別小結(jié),文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

# Series合并
ser1 = pd.Series(['A', 'B', 'C'], index=[1, 2, 3])
ser2 = pd.Series(['D', 'E', 'F'], index=[4, 5, 6])
pd.concat([ser1,ser2])
Out：
 1 A 
 2 B 
 3 C 
 4 D 
 5 E 
 6 F 
 dtype: object
 
# DataFrame合并，將concat的axis參數(shù)設(shè)置為1即可橫向合并
df1 = pd.DataFrame([["A1","B1"],["A2","B2"]],index=[1,2],columns=["A","B"])
df2 = pd.DataFrame([["A3","B3"],["A4","B4"]],index=[3,4],columns=["A","B"])
pd.concat([df1,df2])
Out：
    A  B
 1 A1 B1 
 2 A2 B2 
 3 A3 B3 
 4 A4 B4

合并時索引的處理

np.concatenate與pd.concat最主要的差異之一就是Pandas在合并時會保留索引，即使索引是重復(fù)的！

df3 = pd.DataFrame([["A1","B1"],["A2","B2"]],index=[1,2],columns=["A","B"])
df4 = pd.DataFrame([["A1","B1"],["A2","B2"]],index=[1,2],columns=["A","B"])
pd.concat([df3,df4])
Out：
    A  B
 1 A1 B1 
 2 A2 B2 
 1 A3 B3 
 2 A4 B4

如果你想要檢測pd.concat()合并的結(jié)果中是否出現(xiàn)了重復(fù)的索引，可以設(shè)置verify_integrity參數(shù)。將參數(shù)設(shè)置為True，合并時若有索引重復(fù)就會觸發(fā)異常。

try: 
 pd.concat([df3, df4], verify_integrity=True) 
except ValueError as e: 
 print("ValueError:", e)
Out：
ValueError: Indexes have overlapping values: [0, 1]

有時索引無關(guān)緊要，那么合并時就可以忽略它們，可以通過設(shè)置 ignore_index參數(shù)為True來實現(xiàn)。

pd.concat([df3,df4],ignore_index=True)
Out：
   A B 
0 A0 B0 
1 A1 B1 
2 A2 B2 
3 A3 B3

另一種處理索引重復(fù)的方法是通過keys參數(shù)為數(shù)據(jù)源設(shè)置多級索引標(biāo)簽，這樣結(jié)果數(shù)據(jù)就會帶上多級索引。

pd.concat([df3, df4], keys=['x', 'y'])
Out：
     A B 
x 0 A0 B0 
  1 A1 B1 
y 0 A2 B2 
  1 A3 B3

join和join_axes參數(shù)

前面介紹的簡單示例都有一個共同特點，那就是合并的DataFrame都是同樣的列名。而在實際工作中，需要合并的數(shù)據(jù)往往帶有不同的列名，而 pd.concat提供了一些參數(shù)來解決這類合并問題。

df5 = pd.DataFrame([["A1","B1","C1"],["A2","B2","C2"]],index=[1,2],columns=["A","B","C"])
df6 = pd.DataFrame([["B3","C3","D3"],["B4","C4","D4"]],index=[3,4],columns=["B","C","D"])
pd.concat([df5,df6])
Out：
    A  B  C  D
 1 A1  B1 C1 NaN
 2 A2  B2 C2 NaN
 3 NaN B3 C3 D3
 4 NaN B4 C4 D4

可以看到，結(jié)果中出現(xiàn)了缺失值，如果不想出現(xiàn)缺失值，可以使用join和join_axes參數(shù)。

pd.concat([df5,df6],join="inner") # 合并取交集
Out：
    B C 
 1 B1 C1 
 2 B2 C2 
 3 B3 C3 
 4 B4 C4
# join_axes的參數(shù)需為一個列表索引對象
pd.concat([df5,df6],join_axes=[pd.Index(["B","C"])])
Out：
    B C 
 1 B1 C1 
 2 B2 C2 
 3 B3 C3 
 4 B4 C4