Python数据合并的concat函数与merge函数怎么用
Python数据合并的concat函数与merge函数怎么用
这篇文章主要介绍了Python数据合并的concat函数与merge函数怎么用的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇Python数据合并的concat函数与merge函数怎么用文章都会有所收获，下面我们一起来看看吧。
一、concat函数
1.concat()函数可以沿着一条轴将多个对象进行堆叠，其使用方式类似数据库中的数据表合并
pandas.concat(objs, axis=0, join=’outer’, join_axes=None, ignore_index=False, keys=None, levels=None, verify_integrity=False, sort=None, copy=True)
2.参数含义如下：
| 参数 | 作用 |
|---|---|
| axis | 表示连接的轴向，可以为0或者1，默认为0 |
| join | 表示连接的方式，inner表示内连接，outer表示外连接，默认使用外连接 |
| ignore_index | 接收布尔值，默认为False。如果设置为True，则表示清除现有索引并重置索引值 |
| keys | 接收序列，表示添加最外层索引 |
| levels | 用于构建MultiIndex的特定级别（唯一值） |
| names | 设置了keys和level参数后，用于创建分层级别的名称 |
| verify_integerity | 检查新的连接轴是否包含重复项。接收布尔值，当设置为True时，如果有重复的轴将会抛出错误，默认为False |
3.根据轴方向的不同，可以将堆叠分成横向堆叠与纵向堆叠，默认采用的是纵向堆叠方式
4.在堆叠数据时，默认采用的是外连接（join参数设为outer）的方式进行合并，当然也可以通过join=inner设置为内连接的方式。
1)横向堆叠与外连接
import pandas as pd df1=pd.DataFrame({'A':['A0','A1','A2'], 'B':['B0','B1','B2']}) df1
横向堆叠合并df1和df2,采用外连接的方式
pd.concat([df1,df2],join='outer',axis=1)
2) 纵向堆叠与内链接
import pandas as pd first=pd.DataFrame({'A':['A0','A1','A2'], 'B':['B0','B1','B2'], 'C':['C0','C1','C2']}) first
second=pd.DataFrame({'B':['B3','B4','B5'], 'C':['C3','C4','C5'], 'D':['D3','D4','D5']}) second
3.当使用concat()函数合并时，若是将axis参数的值设为0，且join参数的值设为inner,则代表着使用纵向堆叠与内连接的方式进行合并
pd.concat([first,second],join='inner',axis=0)
二、merge()函数
1）主键合并数据
在使用merge()函数进行合并时，默认会使用重叠的列索引做为合并键，并采用内连接方式合并数据，即取行索引重叠的部分。
import pandas as pd left=pd.DataFrame({'key':['K0','K1','K2'], 'A':['A0','A1','A2'], 'B':['B0','B1','B2']}) left
right=pd.DataFrame({'key':['K0','K1','K2','K3'], 'C':['C0','C1','C2','C3'], 'D':['D0','D1','D2','D3']}) right
pd.merge(left,right,on='key')
2）merge()函数还支持对含有多个重叠列的DataFrame对象进行合并。
import pandas as pd data1=pd.DataFrame({'key':['K0','K1','K2'], 'A':['A0','A1','A2'], 'B':['B0','B1','B2']}) data1
data2=pd.DataFrame({'key':['K0','K5','K2','K4'], 'B':['B0','B1','B2','B5'], 'C':['C0','C1','C2','C3'], 'D':['D0','D1','D2','D3']}) data2
pd.merge(data1,data2,on=['key','B'])
1）根据行索引合并数据
join()方法能够通过索引或指定列来连接多个DataFrame对象
join（other，on = None，how =‘left’，lsuffix =‘’，rsuffix =‘’，sort = False ）
| 参数 | 作用 |
|---|---|
| on | 名称，用于连接列名 |
| how | 可以从{‘‘left’’ ,‘‘right’’, ‘‘outer’’, ‘‘inner’’}中任选一个，默认使用左连接的方式。 |
| sort | 根据连接键对合并的数据进行排序，默认为False |
import pandas as pd data3=pd.DataFrame({'A':['A0','A1','A2'], 'B':['B0','B1','B2']}) data3
data4=pd.DataFrame({'C': ['C0', 'C1', 'C2'], 'D': ['D0', 'D1', 'D2']}, index=['a','b','c']) data3.join(data4,how='outer') # 外连接
data3.join(data4,how='left') #左连接
data3.join(data4,how='right') #右连接
data3.join(data4,how='inner') #内连接
import pandas as pd left = pd.DataFrame({'A': ['A0', 'A1', 'A2'], 'B': ['B0', 'B1', 'B2'], 'key': ['K0', 'K1', 'K2']}) left
right = pd.DataFrame({'C': ['C0', 'C1','C2'], 'D': ['D0', 'D1','D2']}, index=['K0', 'K1','K2']) right
on参数指定连接的列名
left.join(right,how='left',on='key') #on参数指定连接的列名
2）合并重叠数据
当DataFrame对象中出现了缺失数据，而我们希望使用其他DataFrame对象中的数据填充缺失数据，则可以通过combine_first()方法为缺失数据填充。
import pandas as pd import numpy as np from numpy import NAN left = pd.DataFrame({'A': [np.nan, 'A1', 'A2', 'A3'], 'B': [np.nan, 'B1', np.nan, 'B3'], 'key': ['K0', 'K1', 'K2', 'K3']}) left
right = pd.DataFrame({'A': ['C0', 'C1','C2'], 'B': ['D0', 'D1','D2']}, index=[1,0,2]) right
用right的数据填充left缺失的部分
left.combine_first(right) # 用right的数据填充left缺失的部分
关于“Python数据合并的concat函数与merge函数怎么用”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“Python数据合并的concat函数与merge函数怎么用”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注高防服务器网行业资讯频道。
[微信提示：高防服务器能助您降低 IT 成本，提升运维效率，使您更专注于核心业务创新。
[图文来源于网络，不代表本站立场，如有侵权，请联系高防服务器网删除]
[