数据分析之Pandas合并操作总结

Posted 2023-01-01

 Datawhale干货 

作者：耿远昊，Datawhale成员，华东师范大学

pandas 是一个强大的分析结构化数据的工具集，它的使用基础是Numpy（提供高性能的矩阵运算），用于数据挖掘和数据分析，同时也提供数据清洗功能。

Pandas做分析数据，可以分为索引、分组、变形及合并四种操作。前边已经介绍过​​索引操作​​、​​分组操作​​及​​变形操作​​，最后对Pandas中的合并操作进行介绍，涉及知识点提纲如下图：

     本文目录

              1. append与assign

                  1.1. append方法

                  1.2. assign方法

• 2. combine与update

• 方法

•     2.2. update方法

              3. concat方法 

               4. merge与join

•     4.1. merge函数

•     4.2. join函数​

在详细讲解每个模块之前，首先读入数据：

import numpy as np
import pandas as pd
df = pd.read_csv(joyful-pandas-master/data/table.csv)
df.head()

append与assign

1. append方法（一般用来添加行）

（1）利用序列添加行（必须指定name）

df_append = df.loc[:3,[Gender,Height]].copy()  # 默认深拷贝
df_append

s = pd.Series(Gender:F,Height:188,name=new_row)  # name定义增加的这一行索引名。
df_append.append(s)

(2）用DataFrame添加表

df_temp = pd.DataFrame(Gender:[F,M],Height:[188,176])
df_append.append(df_temp)

从上面可以看到这个索引是不会自动往下续的，因为我们新建的df_temp如下：

pd.DataFrame(Gender:[F,M],Height:[188,176])

可以看到这个索引就是0和1，如果你直接append而不加参数则就会直接将上面的DataFrame直接和df_append粘在一起而不会改变索引，那么怎么改变索引使得这个索引顺着前面的索引呢？看下面的例子：

df_append.append(df_temp, ignore_index=True)

下面是这个append函数的原形式：

DataFrame.append(self,other,ignore_index=False,verify_integrity=False,sort=False)

其中的ignore_index就是表示是否要跟着前面的索引来定义后面的索引，一般来说是默认False，也就是像我们的第一个例子这样。现在我们将这个参数改成True，就可以顺着索引了，就像上面的这个例子一样。

当然这里也可以自行改变索引名：

df_temp = pd.DataFrame(Gender:[F,M],Height:[188,176],index=[new_1,new_2])
df_append.append(df_temp)

其他的参数学习可以参考这个网站：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.append.html?highlight=append#pandas.DataFrame.append

2. assign方法（一般用来添加列）

该方法主要用于添加列，列名直接由参数指定：

s = pd.Series(list(abcd),index=range(4))
df_append.assign(Letter=s)  # 这里定义列名就直接在assign参数定义。

这个一般定义要添加的列Series是没有列索引名的：

s = pd.Series(list(abcd),index=range(4))
s

可以一次添加多个列：

df_append.assign(col1=lambda x:x[Gender]*2, col2=s)

可以看出这个可以添加任意多个列，但是都是要在参数中依次定义的。

参考学习：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.assign.html?highlight=assign#pandas.DataFrame.assign

combine与update

1. combine方法

combine和update都是用于表的填充函数，可以根据某种规则填充。

（1）填充对象

可以看出combine方法是按照表的顺序轮流进行逐列循环的，而且自动索引对齐，缺失值为NaN，理解这一点很重要。

df_combine_1 = df.loc[:1,[Gender,Height]].copy()
df_combine_2 = df.loc[10:11,[Gender,Height]].copy()
df_combine_1.combine(df_combine_2,lambda x,y:print(x))

因为lambda函数是输出x和y，没有返回值所以都为NaN。

df1 = pd.DataFrame(A: [5, 0], B: [2, 4])
df2 = pd.DataFrame(A: [1, 1], B: [3, 3])
df1.combine(df2, np.minimum)

combine函数原型：

DataFrame.combine(self，other：DataFrame，func，fill_value = None，overwrite = True)

这里通过多个例子尝试可以发现，func函数是必不可少的，也就是我们必须有一个func来返回数值。

（2）一些例子

例①：根据列均值的大小填充

df1 = pd.DataFrame(A: [1, 2], B: [3, 4])
df2 = pd.DataFrame(A: [8, 7], B: [6, 5])
df1.combine(df2,lambda x,y:x if x.mean()>y.mean() else y)

例②：索引对齐特性（默认状态下，后面的表没有的行列都会设置为NaN）

df2 = pd.DataFrame(B: [8, 7], C: [6, 5],index=[1,2])
df1.combine(df2,lambda x,y:x if x.mean()>y.mean() else y)

例③：使得df1原来符合条件的值不会被覆盖

df1.combine(df2,lambda x,y:x if x.mean()>y.mean() else y,overwrite=False)

例④：在新增匹配df2的元素位置填充-1

df1.combine(df2,lambda x,y:x if x.mean()>y.mean() else y,fill_value=-1)
# 也就是将NaN位置补成-1

参考学习：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.combine.html?highlight=combine#pandas.DataFrame.combine

（3）combine_first方法

这个方法作用是用df2填补df1的缺失值，功能比较简单，但很多时候会比combine更常用，下面举两个例子：

df1 = pd.DataFrame(A: [None, 0], B: [None, 4])
df2 = pd.DataFrame(A: [1, 1], B: [3, 3])
df1.combine_first(df2)

也就是要在df1的基础之上，如果df1有缺失值，就在df2的对应位置补上去，当然如果df1没有缺失值，则这个填充也就相当于没填充，也就意义不大了。

df1 = pd.DataFrame(A: [None, 0], B: [4, None])
df2 = pd.DataFrame(B: [3, 3], C: [1, 1], index=[1, 2])
df1.combine_first(df2)

当然，如果df1的缺失值位置在df2中也是NaN，那也是不会填充的。

这里也涉及到很多参数问题，可以参考这个：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.combine_first.html#pandas.DataFrame.combine_first

2. update方法

（1）三个特点

①返回的框索引只会与被调用框的一致（默认使用左连接，下一节会介绍）

②第二个框中的nan元素不会起作用

③没有返回值，直接在df上操作

（2）例子

例①：索引完全对齐情况下的操作

df1 = pd.DataFrame(A: [1, 2, 3], B: [400, 500, 600])
df2 = pd.DataFrame(B: [4, 5, 6], C: [7, 8, 9])
df1.update(df2)
df1

这里需要注意：这个也是在df1的基础之上进行改变，而这个update是连行列索引都不改变，不增加，就是在这个基础上，对df1中对应位置的元素改成df2中对应位置的元素。看上面的例子也很好理解了。

例②：部分填充

df1 = pd.DataFrame(A: [a, b, c], B: [x, y, z])
df2 = pd.DataFrame(B: [d, e], index=[1,2])
df1.update(df2)
df1

这个例子就是说明了，我们这个操作可以对df1的某几个元素进行改变，不一定是要整行整列改变。

例③：缺失值不会填充

df1 = pd.DataFrame(A: [1, 2, 3], B: [400, 500, 600])
df2 = pd.DataFrame(B: [4, np.nan, 6])
df1.update(df2)
df1

这个例子就是，我们如果update了缺失值NaN，则就不会在原df1中把对应元素改成NaN了，这个缺失值是不会被填充的。

更多参数参考：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.update.html?highlight=update#pandas.DataFrame.update

concat方法

concat方法可以在两个维度上拼接，默认纵向凭借（axis=0），拼接方式默认外连接

所谓外连接，就是取拼接方向的并集，而inner时取拼接方向（若使用默认的纵向拼接，则为列的交集）的交集

下面举一些例子说明其参数：

df1 = pd.DataFrame(A: [A0, A1], B: [B0, B1], index = [0,1])
df2 = pd.DataFrame(A: [A2, A3], B: [B2, B3], index = [2,3])
df3 = pd.DataFrame(A: [A1, A3], D: [D1, D3], E: [E1, E3],index = [1,3])

df1

df2

df3

默认状态拼接：

pd.concat([df1,df2])

axis=1时沿列方向拼接：

pd.concat([df1,df2],axis=1)

join设置为内连接（由于axis=0，因此列取交集）：

pd.concat([df3,df1])

pd.concat([df3,df1],join=inner)  # 对索引取交集

join设置为外链接：

pd.concat([df3,df1],join=outer)

pd.concat([df3,df1],join=outer,sort=True) #sort设置列排序，默认为False

其实就是对列索引进行排序。verify_integrity检查列是否唯一：

pd.concat([df2,df1],verify_integrity=True,sort=True)
# pd.concat([df3,df1],verify_integrity=True,sort=True) 报错

这里因为df1和df2的列索引相同，所以可以正常返回。而df1和df3的列索引不同，所以会报错。

这个verify_integrity就是为了保证只有在索引相同时才会进行操作的函数，而可以拿来检查函数列是否唯一。同样，可以添加Series：

s = pd.Series([X0, X1], name=X)
pd.concat([df1,s],axis=1)

key参数用于对不同的数据框增加一个标号，便于索引：

pd.concat([df1,df2], keys=[x, y])

pd.concat([df1,df2], keys=[x, y]).index

这里相当于对原索引的基础上，又设定了行索引，针对这个df1和df2。然这里也可以解决行索引杂乱无章的问题，和append一样，都是通过ignore_index参数来完成：

pd.concat([df3,df1], ignore_index=True)

更多参数参考：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.concat.html?highlight=concat#pandas.concat

merge与join

1. merge函数

merge函数的作用是将两个pandas对象横向合并，遇到重复的索引项时会使用笛卡尔积，默认inner连接，可选left、outer、right连接。

所谓左连接，就是指以第一个表索引为基准，右边的表中如果不再左边的则不加入，如果在左边的就以笛卡尔积的方式加入。

merge/join与concat的不同之处在于on参数，可以指定某一个对象为key来进行连接

同样的，下面举一些例子：

left = pd.DataFrame(key1: [K0, K0, K1, K2], key2: [K0, K1, K0, K1],
                      A: [A0, A1, A2, A3], B: [B0, B1, B2, B3])
right = pd.DataFrame(key1: [K0, K1, K1, K2],key2: [K0, K0, K0, K0],
                      C: [C0, C1, C2, C3],D: [D0, D1, D2, D3])
right2 = pd.DataFrame(key1: [K0, K1, K1, K2],key2: [K0, K0, K0, K0],
                      C: [C0, C1, C2, C3])

left

right

right2

以key1为准则连接，如果具有相同的列，则默认suffixes=(_x,_y)：

pd.merge(left, right, on=key1)

这个函数相对有点复杂，可以多看例子来想想。以多组键连接：

pd.merge(left, right, on=[key1,key2])

默认使用inner连接，因为merge只能横向拼接，所以取行向上keys的交集，下面看如果使用how=outer参数。注意：这里的how就是concat的join

pd.merge(left, right, how=outer, on=[key1,key2])

使用了how=outer，那么如果行中带有缺失值也会被返回。

左连接：

pd.merge(left, right, how=left, on=[key1, key2])

以左边的left表的索引为基准。

右连接：

pd.merge(left, right, how=right, on=[key1, key2])

以右边的right表索引为基准。

如果还是对笛卡尔积不太了解，请务必理解下面这个例子，由于B的所有元素为2，因此需要6行：

left = pd.DataFrame(A: [1, 2], B: [2, 2])
right = pd.DataFrame(A: [4, 5, 6], B: [2, 2, 2])
print(left)
print(right)

pd.merge(left, right, on=B, how=outer)

validate检验的是到底哪一边出现了重复索引，如果是“one_to_one”则两侧索引都是唯一，如果"one_to_many"则左侧唯一

left = pd.DataFrame(A: [1, 2], B: [2, 2])
right = pd.DataFrame(A: [4, 5, 6], B: [2, 3, 4])
print(left)
print(right)

# pd.merge(left, right, on=B, how=outer,validate=one_to_one)  # 报错
# MergeError: Merge keys are not unique in left dataset; not a one-to-one merge

这里因为left中索引不唯一，所以报错了。所以我们改一下left，使得它索引唯一。如下例：

left = pd.DataFrame(A: [1, 2], B: [2, 1])
pd.merge(left, right, on=B, how=outer,validate=one_to_one)

indicator参数指示了，合并后该行索引的来源

df1 = pd.DataFrame(col1: [0, 1], col_left: [a, b])
df2 = pd.DataFrame(col1: [1, 2, 2], col_right: [2, 2, 2])
pd.merge(df1, df2, on=col1, how=outer, indicator=True)  # indicator=indicator_column也是可以的

这里就是新增一列表明每行索引的来源。

更多参数：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.merge.html?highlight=merge#pandas.DataFrame.merge

2. join函数

join函数作用是将多个pandas对象横向拼接，遇到重复的索引项时会使用笛卡尔积，默认左连接，可选inner、outer、right连接。

left = pd.DataFrame(A: [A0, A1, A2], B: [B0, B1, B2], index=[K0, K1, K2])
right = pd.DataFrame(C: [C0, C2, C3], D: [D0, D2, D3], index=[K0, K2, K3])
left.join(right)

这里是默认左连接，也就是按照left索引的基础上来填充。对于many_to_one模式下的合并，往往join更为方便。同样可以指定key：

left = pd.DataFrame(A: [A0, A1, A2, A3], B: [B0, B1, B2, B3], key: [K0, K1, K0, K1])
right = pd.DataFrame(C: [C0, C1], D: [D0, D1], index=[K0, K1])
print(left)
print(right)

left.join(right, on=key)

多层key：

left = pd.DataFrame(A: [A0, A1, A2, A3],
                     B: [B0, B1, B2, B3],
                     key1: [K0, K0, K1, K2],
                     key2: [K0, K1, K0, K1])
index = pd.MultiIndex.from_tuples([(K0, K0), (K1, K0),
                                   (K2, K0), (K2, K1)],names=[key1,key2])
right = pd.DataFrame(C: [C0, C1, C2, C3],
                      D: [D0, D1, D2, D3],
                     index=index)
print(left)
print(index)
print(right)

left.join(right, on=[key1,key2])

参考：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.join.html?highlight=join#pandas.DataFrame.join

问题与练习

1. 问题

【问题一】请思考什么是append/assign/combine/update/concat/merge/join各自最适合使用的场景，并举出相应的例子。

• append：主要是用来添加行，也就是在一个表中下方添加。
• assign：主要是用来添加列，也就是在表的右方添加。
• combine：这个函数的填充可以根据某种规则来填充，当然它衍生的combine_first就是一个比较常用的函数了，这个函数是直接填充。
• update：这个函数是会在前表的基础之上，将后表填充，不会更改索引，也就是按照前表的索引来操作。
• concat：这个函数也是进行直接的拼接，不会管索引，所以会出现多个相同的索引的情况，主要用于列的拼接。
• merge：这个函数就是用于行拼接多一些，可以指定key来拼接，多用于one_to_one和one_to_many的情况。
• join：这个函数也适用于行拼接，多用于many_to_one的情况，还可以应对多层keys的拼接。

例子的话可以看上面的讲解，也是比较详细的。

【问题二】merge_ordered和merge_asof的作用是什么？和merge是什么关系？

作用可以参考：

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.merge_ordered.html?highlight=merge_ordered#pandas.merge_ordered https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.merge_asof.html#pandas.merge_asof

应该是merge的衍生出来的函数，可以完善merge函数的一切缺陷。

【问题三】请构造一个多级索引与多级索引合并的例子，尝试使用不同的合并函数。

下面建立两个多级索引。

df1=pd.DataFrame(np.arange(12).reshape(4,3),index=[list("AABB"),[1,2,1,2]],columns=[list("XXY"),[10,11,10]])
df1

df2=pd.DataFrame(np.arange(9).reshape(3,3),index=[list("CCD"),[3,3,4]],columns=[list("ZZK"),[9,7,9]])
df2

下面是几个合并的例子。

df1.append(df2)

df1.combine_first(df2)

df2.update(df1)
df2

pd.concat([df1,df2])

【问题四】上文提到了连接的笛卡尔积，那么当连接方式变化时（inner/outer/left/right），这种笛卡尔积规则会相应变化吗？请构造相应例子。

答：就是我们用merge的时候，他会自动计算笛卡尔积，但是最后返回的是不是全部的笛卡尔积，就要看这些连接方式了，有时候是左连接，那就会根据左表的索引来返回，有时候右连接，就会根据右表索引来返回，有时候也会全部返回，这些就要看参数了。

2. 练习

【练习一】有2张公司的员工信息表，每个公司共有16名员工，共有五个公司，请解决如下问题：

pd.read_csv(joyful-pandas-master/data/Employee1.csv).head()

pd.read_csv(joyful-pandas-master/data/Employee2.csv).head()

(a) 每个公司有多少员工满足如下条件：既出现第一张表，又出现在第二张表。

df1=pd.read_csv(joyful-pandas-master/data/Employee1.csv)
df2=pd.read_csv(joyful-pandas-master/data/Employee2.csv)

df1.head()

df2.head()

pd.merge(df1[Name],df2[Name])

(b) 将所有不符合(a)中条件的行筛选出来，合并为一张新表，列名与原表一致。

L = list(set(df1[Name]).intersection(set(df2[Name])))
df_b1 = df1[~df1[Name].isin(L)]
df_b2 = df2[~df2[Name].isin(L)]
df_b = pd.concat([df_b1,df_b2]).set_index(Name)
df_b.head()

(c) 现在需要编制所有80位员工的信息表，对于(b)中的员工要求不变，对于满足(a)条件员工，它们在某个指标的数值，取偏离它所属公司中满足(b)员工的均值数较小的哪一个，例如：P公司在两张表的交集为p1，并集扣除交集为p2,p3,p4，那么如果后者集合的工资均值为1万元，且p1在表1的工资为13000元，在表2的工资为9000元，那么应该最后取9000元作为p1的工资，最后对于没有信息的员工，利用缺失值填充。

df1[重复] = [Y_1 if df1.loc[i,Name] in L else N for i in range(df1.shape[0])]
df2[重复] = [Y_2 if df2.loc[i,Name] in L else N for i in range(df2.shape[0])]
df1 = df1.set_index([Name,重复])
df2 = df2.set_index([Name,重复])
df_c = pd.concat([df1,df2])
result = pd.DataFrame(Company:[],Name:[],Age:[],Height:[],Weight:[],Salary:[])
group = df_c.groupby([Company,重复])
for i in L:
    first = group.get_group((i[0].upper(),Y_1)).reset_index(level=1).loc[i,:][-4:]
    second = group.get_group((i[0].upper(),Y_2)).reset_index(level=1).loc[i,:][-4:]
    mean = group.get_group((i[0].upper(),N)).reset_index(level=1).mean()
    final = [i[0].upper(),i]
    for j in range(4):
        final.append(first[j] if abs(first[j]-mean[j])<abs(second[j]-mean[j]) else second[j])
    result = pd.concat([result,pd.DataFrame(result.columns.tolist()[k]:[final[k]] for k in range(6))])
result = pd.concat([result.set_index(Name),df_b])
for i in list(abcde):
    for j in range(1,17):
        item = i+str(j)
        if item not in result.index:
            result = pd.concat([result,pd.DataFrame(Company:[i.upper()],Name:[item]
                 ,Age:[np.nan],Height:[np.nan],Weight:[np.nan],Salary:[np.nan]).set_index(Name)])
result[Number] = [int(i[1:]) for i in result.index]
result.reset_index().drop(columns=Name).set_index([Company,Number]).sort_index()

【练习二】有2张课程的分数表（分数随机生成），但专业课（学科基础课、专业必修课、专业选修课）与其他课程混在一起，请解决如下问题：

pd.read_csv(joyful-pandas-master/data/Course1.csv).head()

pd.read_csv(joyful-pandas-master/data/Course2.csv).head()

(a) 将两张表分别拆分为专业课与非专业课（结果为四张表）。

df1=pd.read_csv(joyful-pandas-master/data/Course1.csv)
df1.head()

df2=pd.read_csv(joyful-pandas-master/data/Course2.csv)
df2.head()

df_a11= df1.query(课程类别 in ["学科基础课","专业必修课","专业选修课"])
df_a12= df1.query(课程类别 not in ["学科基础课","专业必修课","专业选修课"])
df_a21= df2.query(课程类别 in ["学科基础课","专业必修课","专业选修课"])
df_a22= df2.query(课程类别 not in ["学科基础课","专业必修课","专业选修课"])

df_a11.head()

df_a12.head()

df_a21.head()

df_a22.head()

(b) 将两张专业课的分数表和两张非专业课的分数表分别合并。

9000字深度整理: 全网最详细 Pandas 合并数据集操作总结！

 python数据分析之pandas数据合并
 python数据分析之pandas数据合并
 python数据分析之pandas数据合并
 短视频学习 - 6pandas之DataFrame数据合并
 pandas相同元素不同顺序合并之移形换位