9000字深度整理: 全网最详细 Pandas 合并数据集操作总结！
Posted Python学习与数据挖掘
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了9000字深度整理: 全网最详细 Pandas 合并数据集操作总结！相关的知识，希望对你有一定的参考价值。
关于如果用pandas库来实现数据集之间合并的文章其实说少也不算少，不过我总是感觉写的算不上完善，尤其针对Python初学者来说，所以今天打算来整理与总结一下，内容较多建议收藏，喜欢点赞支持，文末提供技术交流群。
本文大概的结构是
-
concat()方法的简单介绍 -
append()方法的简单介绍 -
merge()方法的简单介绍 -
join()方法的简单介绍 -
多重行索引的合并介绍
-
表格合并之后的列名重命名
-
combine()方法的简单介绍 -
combine_first()方法的简单介绍
Concat()方法的简单介绍
在我们开始concat()方法的正是介绍之前，我们先来看一下简单的例子
df1 = pd.DataFrame(
{
"A": ["A0", "A1", "A2", "A3"],
"B": ["B0", "B1", "B2", "B3"],
"C": ["C0", "C1", "C2", "C3"],
"D": ["D0", "D1", "D2", "D3"],
},
index=[0, 1, 2, 3],
)
df2 = pd.DataFrame(
{
"A": ["A4", "A5", "A6", "A7"],
"B": ["B4", "B5", "B6", "B7"],
"C": ["C4", "C5", "C6", "C7"],
"D": ["D4", "D5", "D6", "D7"],
},
index=[4, 5, 6, 7],
)
df3 = pd.DataFrame(
{
"A": ["A8", "A9", "A10", "A11"],
"B": ["B8", "B9", "B10", "B11"],
"C": ["C8", "C9", "C10", "C11"],
"D": ["D8", "D9", "D10", "D11"],
},
index=[8, 9, 10, 11],
)
我们来看一下使用concat()方法之后的效果
frames = [df1, df2, df3]
result = pd.concat(frames)
result
output
A B C D
0 A0 B0 C0 D0
1 A1 B1 C1 D1
2 A2 B2 C2 D2
3 A3 B3 C3 D3
4 A4 B4 C4 D4
5 A5 B5 C5 D5
6 A6 B6 C6 D6
7 A7 B7 C7 D7
8 A8 B8 C8 D8
9 A9 B9 C9 D9
10 A10 B10 C10 D10
11 A11 B11 C11 D11
大致合并的方向就是按照轴垂直的方向来进行合并，如下图
下面小编来详细介绍一下concat()方法中的各个参数作用
pd.concat(
objs,
axis=0,
join="outer",
ignore_index=False,
keys=None,
levels=None,
names=None,
verify_integrity=False,
copy=True,
)
-
objs:需要用来进行合并的数据集，可以是Series类型或者是DataFrame类型的数据
-
axis:可以理解为是合并的方向，默认是0
-
join:可以理解为是合并的方式，有并集或是交集两种方式，默认的是并集
-
ignore_index:忽略索引，默认是
False -
keys:用于做行方向的多重索引
大家可能会有些迷惑，什么是多重的索引呢？看下面的例子
result = pd.concat(frames, keys=["x", "y", "z"])
result
output
如此一来，我们可以通过“x”、“y”以及“z”这些元素来获取每一部分的数据，例如
result.log["x"]
output
A B C D
0 A0 B0 C0 D0
1 A1 B1 C1 D1
2 A2 B2 C2 D2
3 A3 B3 C3 D3
除此之外，keys参数还能够被用在列索引上
s3 = pd.Series([0, 1, 2, 3], name="foo")
s4 = pd.Series([0, 1, 2, 3])
s5 = pd.Series([0, 1, 4, 5])
pd.concat([s3, s4, s5], axis=1, keys=["red", "blue", "yellow"])
output
red blue yellow
0 0 0 0
1 1 1 1
2 2 2 4
3 3 3 5
列名就变成了keys列表中的元素
而对于join参数，默认的是以outer也就是并集的方式在进行两表格的合并
df4 = pd.DataFrame(
{
"B": ["B2", "B3", "B6", "B7"],
"D": ["D2", "D3", "D6", "D7"],
"F": ["F2", "F3", "F6", "F7"],
},
index=[2, 3, 6, 7],
)
result = pd.concat([df1, df4], axis=1)
output
而当我们将join参数设置成inner，也就是交集的方式来进行合并，出来的结果就会不太一样
result = pd.concat([df1, df4], axis=1, join="inner")
output
接下来我们来看一下ignore_index参数的作用，它能够对行索引做一个重新的整合
result = pd.concat([df1, df4], ignore_index=True, sort=False)
output
对于一个表格是DataFrame格式，另外一个是Series格式，concat()方法也可以将两者合并起来，
s1 = pd.Series(["X0", "X1", "X2", "X3"], name="X")
result = pd.concat([df1, s1], axis=1)
output
要是在加上ignore_index参数的话，看一下效果会如何
result = pd.concat([df1, s1], axis=1, ignore_index=True)
output
append()方法的简单介绍
append()方法是对上面concat()方法的简单概括，我们来看一下简单的例子
result = df1.append(df2)
result
output
当然append()方法当中也可以放入多个DataFrame表格，代码如下
result = df1.append([df2, df3])
output
和上面的concat()方法相类似的是，append()方法中也有ignore_index参数，
result = df1.append(df4, ignore_index=True, sort=False)
output
同样地，我们也可以通过append()方法来给DataFrame表格添加几行的数据
s2 = pd.Series(["X0", "X1", "X2", "X3"], index=["A", "B", "C", "D"])
result = df1.append(s2, ignore_index=True)
output
关于Merge()方法的介绍
在merge()方法中有这些参数
pd.merge(
left,
right,
how="inner",
on=None,
left_on=None,
right_on=None,
left_index=False,
right_index=False,
sort=True,
suffixes=("_x", "_y"),
copy=True,
indicator=False,
validate=None,
)
-
left/right:也就是所要合并的两个表格
-
on:左右所要合并的两表格的共同列名
-
left_on/right_on:两表格进行合并时所对应的字段
-
how:合并的方式，有left、right、outer、inner四种，默认是inner
-
suffixes:在两表格进行合并时，重复的列名后面添加的后缀
-
left_index:若为True，按照左表格的索引来连接两个数据集
-
right_index:若为True，按照右表格的索引来连接两个数据集
我们先来看一个简单的例子
left = pd.DataFrame(
{
"key": ["K0", "K1", "K2", "K3"],
"A": ["A0", "A1", "A2", "A3"],
"B": ["B0", "B1", "B2", "B3"],
}
)
right = pd.DataFrame(
{
"key": ["K0", "K1", "K2", "K3"],
"C": ["C0", "C1", "C2", "C3"],
"D": ["D0", "D1", "D2", "D3"],
}
)
result = pd.merge(left, right, on="key")
result
output
在merge()的过程当中有三种类型的合并，分别是一对一、多对一、多对多。其中“一对一”类型也就是merge()方法会去寻找两个表格当中相同的列，例如上面的“key”，并自动以这列作为键来进行排序，需要注意的是共同列中的元素其位置可以是不一致的。
那么来看一下“多对一”的合并类型，例如下面两张表格有共同的列“group”，并且第一张表格当中的“group”有两个相同的值，
df1:
employee group hire_date
0 Bob Accounting 2008
1 Jake Engineering 2002
2 Mike Engineering 2005
3 Linda HR 2010
df2:
group supervisor
0 Accounting Cathey
1 Engineering Dylan
2 HR James
然后我们来进行合并
pd.merge(df_1, df_2)
output
employee group hire_date supervisor
0 Bob Accounting 2008 Cathey
1 Jake Engineering 2002 Dylan
2 Mike Engineering 2005 Dylan
3 Linda HR 2010 James
最后便是“多对多”的合并类型，可以理解为两张表格的共同列中都存在着重复值，例如
df3:
employee group
0 Bob Accounting
1 Jake Engineering
2 Lisa Engineering
3 Sue HR
df4:
group skills
0 Accounting math
1 Accounting spreadsheets
2 Engineering coding
3 Engineering linux
4 HR spreadsheets
5 HR organization
然后我们进行合并之后，看一下出来的结果
df = pd.merge(df3, df4)
print(df)
output
employee group skills
0 Bob Accounting math
1 Bob Accounting programming
2 Jake Engineering linux
3 Jake Engineering python
4 Lisa Engineering linux
5 Lisa Engineering python
6 Sue HR java
7 Sue HR c++
那么涉及到参数how有四种合并的方式，有“left”、“right”、“inner”、“outer”，分别代表
-
inner:也就是交集，在使用
merge()方法的时候，默认采用的都是交集的合并方式 -
outer:可以理解为是并集的合并方式
-
left/right: 单方向的进行并集的合并
我们先来看一下“left”方向的并集的合并
result = pd.merge(left, right, how="left", on=["key1", "key2"])
result
output
我们再来看一下“right”方向的并集的合并
result = pd.merge(left, right, how="right", on=["key1", "key2"])
result
output
“outer”方式的合并
result = pd.merge(left, right, how="outer", on=["key1", "key2"])
result
output
“inner”方式的合并
result = pd.merge(left, right, how="inner", on=["key1", "key2"])
result
output
关于join()方法的简单介绍
join()方法用于将两个有着不同列索引的表格合并到一起，我们先来看一个简单的例子
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"]
)
result = left.join(right)
output
在join()方法中也有参数how用来定义合并的方式，和merge()方法相类似，这里便也有不做赘述
当多重行索引遇到join()方法
当遇到一表格，其中的行索引是多重行索引的时候，例如
left = pd.DataFrame(
{"A": ["A0", "A1", "A2"], "B": ["B0", "B1", "B2"]},
index=pd.Index(["K0", "K1", "K2"], name="key"),
)
index = pd.MultiIndex.from_tuples(
[("K0", "Y0"), ("K1", "Y1"), ("K2", "Y2"), ("K2", "Y3")],
names=["key", "Y"],
)
right = pd.DataFrame(
{"C": ["C0", "C1", "C2", "C3"], "D": ["D0", "D1", "D2", "D3"]},
index=index,
)
result = left.join(right, how="inner")
output
那么要是要合并的两张表格都是多重行索引呢？
leftindex = pd.MultiIndex.from_product(
[list("abc"), list("xy"), [1, 2]], names=["abc", "xy", "num"]
)
left = pd.DataFrame({"v1": range(12)}, index=leftindex)
output
v1
abc xy num
a x 1 0
2 1
y 1 2
2 3
b x 1 4
2 5
y 1 6
2 7
c x 1 8
2 9
y 1 10
2 11
第二张表格如下
rightindex = pd.MultiIndex.from_product(
[list("abc"), list("xy")], names=["abc", "xy"]
)
right = pd.DataFrame({"v2": [100 * i for i in range(1, 7)]}, index=rightindex)
output
v2
abc xy
a x 100
y 200
b x 300
y 400
c x 500
y 600
将上述的两张表格进行合并
left.join(right, on=["abc", "xy"], how="inner")
output
v1 v2
abc xy num
a x 1 0 100
2 1 100
y 1 2 200
2 3 200
b x 1 4 300
2 5 300
y 1 6 400
2 7 400
c x 1 8 500
2 9 500
y 1 10 600
2 11 600
列名的重命名
要是两张表格的列名相同，合并之后会对其列名进行重新命名，例如
left = pd.DataFrame({"k": ["K0", "K1", "K2"], "v": [1, 2, 3]})
right = pd.DataFrame({"k": ["K0", "K0", "K3"], "v": [4, 5, 6]})
result = pd.merge(left, right, on="k")
output
这里就不得不提到suffixes这个参数，通过这个参数来个列进行重命名，例如
result = pd.merge(left, right, on="k", suffixes=("_l", "_r"))
output
combine_first()方法的简单介绍
要是要合并的两表格，其中一个存在空值的情况，就可以使用combine_first()方法，