如何使用Python中的DataFrame合并和连接数据？
时间：2023-05-07 21:46
指定一个参照列，以该列为准，合并其他列。 要实现该合并，也可以通过索引来合并，即以index列为基准。将left_index 和 right_index 都设置为True 相比方法①，区别在于，如图，方法②合并出的数据中有重复列。 pd.merge(right,how=‘inner’, on=“None”, left_on=“None”, right_on=“None”, left_index=False, right_index=False ) 其中，left_index与right_index 不能与 on 同时指定。 准备数据‘ 新准备一组数据: inner（默认） 使用来自两个数据集的键的交集 outer 使用来自两个数据集的键的并集 left 使用来自左数据集的键 right 使用来自右数据集的键 如图，df2中有重复id1的数据。 合并 合并结果如图所示： 依然按照默认的Inner方式，使用来自两个数据集的键的交集。且重复的键的行会在合并结果中体现为多行。 如图表1和表2中都存在多行id重复的。 pd.concat(objs, axis=0, join=‘outer’, ignore_index:bool=False,keys=None,levels=None,names=None, verify_integrity:bool=False,sort:bool=False,copy:bool=True) 其他重要参数通过实例说明。 首先准备三组DataFrame数据： 合并 如果想要在合并后，标记一下数据都来自于哪张表或者数据的某类别，则也可以给concat加上 参数keys 。 此时，添加的keys与原来的index组成元组，共同成为新的index。 准备两组DataFrame数据： 当axis为默认值0时： 横向合并需要将axis设置为1 ： 对比以上输出差异。 axis=0时，即默认纵向合并时，如果出现重复的行，则会同时体现在结果中 axis=1时，即横向合并时，如果出现重复的列，则会同时体现在结果中。 以上就是如何使用Python中的DataFrame合并和连接数据？的详细内容，更多请关注Gxl网其它相关文章！merge()
1.常规合并
①方法1
import pandas as pddf1 = pd.DataFrame({'id': ['001', '002', '003'], 'num1': [120, 101, 104], 'num2': [110, 102, 121], 'num3': [105, 120, 113]})df2 = pd.DataFrame({'id': ['001', '002', '003'], 'num4': [80, 86, 79]})print(df1)print("=======================================")print(df2)print("=======================================")df_merge = pd.merge(df1, df2, on='id')print(df_merge)
②方法2
即可。（left_index 和 right_index 都默认为False，left_index表示左表以左表数据的index为基准， right_index表示右表以右表数据的index为基准。）import pandas as pddf1 = pd.DataFrame({'id': ['001', '002', '003'], 'num1': [120, 101, 104], 'num2': [110, 102, 121], 'num3': [105, 120, 113]})df2 = pd.DataFrame({'id': ['001', '002', '003'], 'num4': [80, 86, 79]})print(df1)print("=======================================")print(df2)print("=======================================")df_merge = pd.merge(df1, df2, left_index=True, right_index=True)print(df_merge)
重要参数
参数 描述 left 左表，合并对象，DataFrame或Series right 右表，合并对象，DataFrame或Series how 合并方式，可以是left(左合并), right(右合并), outer(外合并), inner(内合并) on 基准列 的列名 left_on 左表基准列列名 right_on 右表基准列列名 left_index 左列是否以index为基准，默认False，否 right_index 右列是否以index为基准，默认False，否 合并方式 left right outer inner
import pandas as pddf1 = pd.DataFrame({'id': ['001', '002', '003'], 'num1': [120, 101, 104], 'num2': [110, 102, 121], 'num3': [105, 120, 113]})df2 = pd.DataFrame({'id': ['001', '004', '003'], 'num4': [80, 86, 79]})print(df1)print("=======================================")print(df2)print("=======================================")
df_merge = pd.merge(df1, df2, on='id')print(df_merge)
df_merge = pd.merge(df1, df2, on='id', how="outer")print(df_merge)
df_merge = pd.merge(df1, df2, on='id', how='left')print(df_merge)
df_merge = pd.merge(df1, df2, on='id', how='right')print(df_merge)
2.多对一合并
import pandas as pddf1 = pd.DataFrame({'id': ['001', '002', '003'], 'num1': [120, 101, 104], 'num2': [110, 102, 121], 'num3': [105, 120, 113]})df2 = pd.DataFrame({'id': ['001', '001', '003'], 'num4': [80, 86, 79]})print(df1)print("=======================================")print(df2)print("=======================================")
df_merge = pd.merge(df1, df2, on='id')print(df_merge)
3.多对多合并
import pandas as pddf1 = pd.DataFrame({'id': ['001', '002', '002', '002', '003'], 'num1': [120, 101, 104, 114, 123], 'num2': [110, 102, 121, 113, 126], 'num3': [105, 120, 113, 124, 128]})df2 = pd.DataFrame({'id': ['001', '001', '002', '003', '001'], 'num4': [80, 86, 79, 88, 93]})print(df1)print("=======================================")print(df2)print("=======================================")
df_merge = pd.merge(df1, df2, on='id')print(df_merge)
concat()
参数 描述 objs Series，DataFrame或Panel对象的序列或映射 axis 默认为0，表示列。如果为1则表示行。 join 默认为"outer"，也可以为"inner" ignore_index 默认为False，表示保留索引（不忽略）。设为True则表示忽略索引。 1.相同字段的表首位相连
import pandas as pddf1 = pd.DataFrame({'id': ['001', '002', '003'], 'num1': [120, 114, 123], 'num2': [110, 102, 121], 'num3': [113, 124, 128]})df2 = pd.DataFrame({'id': ['004', '005'], 'num1': [120, 101], 'num2': [113, 126], 'num3': [105, 128]})df3 = pd.DataFrame({'id': ['007', '008', '009'], 'num1': [120, 101, 125], 'num2': [113, 126, 163], 'num3': [105, 128, 114]})print(df1)print("=======================================")print(df2)print("=======================================")print(df3)
dfs = [df1, df2, df3]result = pd.concat(dfs)print(result)
result = pd.concat(dfs, keys=['table1', 'table2', 'table3'])print(result)
print(result.index)
2.横向表合并（行对齐）
import pandas as pddf1 = pd.DataFrame({'num1': [120, 114, 123], 'num2': [110, 102, 121], 'num3': [113, 124, 128]}, index=['001', '002', '003'])df2 = pd.DataFrame({'num3': [117, 120, 101, 126], 'num5': [113, 125, 126, 133], 'num6': [105, 130, 128, 128]}, index=['002', '003', '004', '005'])print(df1)print("=======================================")print(df2)
result = pd.concat([df1, df2])print(result)
result = pd.concat([df1, df2], axis=1)print(result)
3.交叉合并
result = pd.concat([df1, df2], axis=1, join='inner')print(result)
热门排行
今日推荐
热门手游
-
只能留一个体验服版
版本：v1.0
大小：104.33MB
日期：2024-11-30
-
公主扎染吧测试版
版本：v1.0.0
大小：40.23MB
日期：2024-11-30
-
像素达人官方版
版本：v1.0
大小：78.34MB
日期：2024-11-30
-
木头俄罗斯方块破解版
版本：v2022.05.05
大小：35.17MB
日期：2024-11-30
-
100种开锁方式体验服版
版本：v1.0
大小：20.14MB
日期：2024-11-30
-
解压体验馆测试版
版本：v1.0.0
大小：90.39MB
日期：2024-11-30