脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → python 数据合并concat函数与merge函数

Python数据合并的concat函数与merge函数详解

 更新时间：2022年05月15日 14:30:05   作者：陌小柠  
大家都知道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，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，即取行索引重叠的部分，本文给大家介绍python 数据合并concat函数与merge函数，感兴趣的朋友一起看看吧

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

s

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

到此这篇关于Python数据合并的concat函数与merge函数详解的文章就介绍到这了,更多相关python 数据合并concat函数与merge函数内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

相关文章

  • python jinjia2的项目使用

    python jinjia2的项目使用

    本文主要介绍了python jinjia2的项目使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
    2023-02-02
  • Python警察与小偷的实现之一客户端与服务端通信实例

    Python警察与小偷的实现之一客户端与服务端通信实例

    这篇文章主要介绍了Python警察与小偷的实现之一客户端与服务端通信实例,并附有难点及易错点的分析与说明,需要的朋友可以参考下
    2014-10-10
  • Pandas之缺失数据的实现

    Pandas之缺失数据的实现

    这篇文章主要介绍了Pandas之缺失数据的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
    2021-01-01
  • Python 深入理解yield

    Python 深入理解yield

    yield的英文单词意思是生产，刚接触Python的时候感到非常困惑，一直没弄明白yield的用法。
    2008-09-09
  • Python 中面向接口编程详情

    Python 中面向接口编程详情

    这篇文章主要介绍了Python 中面向接口编程详情，Python 中的接口与大多数其它语言的处理方式不同，它们的设计复杂性也不同，关于Python 接口编程的介绍，需要的小伙伴可以参考下面文章内容
    2022-05-05
  • 关于torch中tensor数据类型的转换

    关于torch中tensor数据类型的转换

    这篇文章主要介绍了关于torch中tensor数据类型的转换方式，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
    2022-11-11
  • python基于Opencv实现人脸口罩检测

    python基于Opencv实现人脸口罩检测

    最近尝试做一个python基于Opencv实现人脸口罩检测，记录一下过程，稍微整理精简一下做下分享，需要的小伙伴可以参考下
    2021-06-06
  • 安装python3的时候就是输入python3死活没有反应的解决方法

    安装python3的时候就是输入python3死活没有反应的解决方法

    下面小编就为大家分享一篇安装python3的时候就是输入python3死活没有反应的解决方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2018-01-01
  • 利用PyQt5中QLabel组件实现亚克力磨砂效果

    利用PyQt5中QLabel组件实现亚克力磨砂效果

    Windows10 在 UWP 应用中支持亚克力画刷，可以在部件的底部绘制亚克力效果的背景图。本文将使用QLabel来模拟这个磨砂过程，感兴趣的可以了解一下
    2022-03-03
  • Python 图像对比度增强的几种方法(小结)

    Python 图像对比度增强的几种方法(小结)

    这篇文章主要介绍了Python 图像对比度增强的几种方法(小结)，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
    2019-09-09

最新评论