Python数据分析库pandas ------ mergeconcatenation pd.concat合并与拼接

Posted 巴蜀秀才

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Python数据分析库pandas ------ mergeconcatenation pd.concat合并与拼接相关的知识,希望对你有一定的参考价值。

  对于合并操作,熟悉SQL的读者可以将其理解为JOIN操作,它使用一个或多个键把多行数据 结合在一起.

事实上,跟关系型数据库打交道的开发人员通常使用SQL的JOIN查询,用几个表共有的引用 值(键)从不同

的表获取数据。以这些键为基础,我们能够获取到列表形式的新数据,这些数据是对几个表中的数据进行组合

得到的。pandas库中这类操作叫作合并,执行合并操作的函数为 merge().

 1 import pandas as pd
 2 import numpy as np
 3 
 4 frame1 = pd.DataFrame({
 5     \'color\': [\'white\', \'red\', \'red\', \'black\', \'green\'],
 6     \'id\':[\'ball\',\'pencil\',\'pen\',\'mug\',\'ashtray\'],
 7     \'brand\':[\'OMG\',\'ABC\',\'ABC\',\'POD\',\'POD\']
 8 })
 9 
10 frame2 = pd.DataFrame({
11     \'id\':[\'pencil\',\'pencil\',\'ball\',\'pen\'],
12     \'brand\':[\'OMG\',\'POD\',\'ABC\',\'POD\']
13 })
14 
15 print(pd.merge(frame1,frame2,on=\'id\'))  # frame1,frame2的位置没有影响
16 print(pd.merge(frame2,frame1,on=\'id\'))
17 print(pd.merge(frame2,frame1))
18 输出:
19    color      id brand_x brand_y
20 0  white    ball     OMG     ABC
21 1    red  pencil     ABC     OMG
22 2    red  pencil     ABC     POD
23 3    red     pen     ABC     POD
24        id brand_x  color brand_y
25 0  pencil     OMG    red     ABC
26 1  pencil     POD    red     ABC
27 2    ball     ABC  white     OMG
28 3     pen     POD    red     ABC
29 Empty DataFrame
30 Columns: [id, brand, color]
31 Index: []

  没有指定按id合并的时候,合并为空,因为id,和brand两个值不能完全一致,如pencil对应的brand值,两个

表都没有一样的所以该字段就没有了。

  

  假如两个DataFrame基准列的名称不一致,该怎样进行合并呢?为 了解决这个问题,你可以用

left_onright_on选项指定第一个和第二个DataFrame的基准列。

 1 frame2_test = frame2
 2 frame2_test.columns = [\'sid\', \'brand\']  # 这一步也会将frame2的列名改变,对比浅复制
 3 print(frame1)
 4 print(frame2_test)
 5 print("-----*-----\\n", pd.merge(frame1,frame2_test,left_on=\'id\',right_on=\'sid\'))
 6 输出:
 7    color       id brand
 8 0  white     ball   OMG
 9 1    red   pencil   ABC
10 2    red      pen   ABC
11 3  black      mug   POD
12 4  green  ashtray   POD
13       sid brand
14 0  pencil   OMG
15 1  pencil   POD
16 2    ball   ABC
17 3     pen   POD
18 -----*-----
19     color      id brand_x     sid brand_y
20 0  white    ball     OMG    ball     ABC
21 1    red  pencil     ABC  pencil     OMG
22 2    red  pencil     ABC  pencil     POD
23 3    red     pen     ABC     pen     POD

  merge()函数默认执行的是内连接操作;上述结果中的键是由交叉操作(intersection)得到的。

其他选项有左连接、右连接和外连接。外连接把所有的键整合到一起,其效果相当于左连接 和右

连接的效果之和。连接类型用how选项指定。

 1 frame4 = frame1
 2 print(frame2, \'\\n-----*frame2*-----\\n\')  # 前面改变列名的操作已经注释掉
 3 print(frame4, \'\\n-----*frame4*-----\\n\')
 4 print(pd.merge(frame4,frame2,on=\'id\'), \'\\n-----*内连接*-----\\n\')
 5 print(pd.merge(frame4,frame2,on=\'id\',how=\'outer\'), \'\\n-----*外连接*-----\\n\')
 6 print(pd.merge(frame4,frame2,on=\'id\',how=\'right\'), \'\\n-----*右连接*-----\\n\')
 7 输出:
 8        id brand
 9 0  pencil   OMG
10 1  pencil   POD
11 2    ball   ABC
12 3     pen   POD 
13 -----*frame2*-----
14 
15    color       id brand
16 0  white     ball   OMG
17 1    red   pencil   ABC
18 2    red      pen   ABC
19 3  black      mug   POD
20 4  green  ashtray   POD 
21 -----*frame4*-----
22 
23    color      id brand_x brand_y
24 0  white    ball     OMG     ABC
25 1    red  pencil     ABC     OMG
26 2    red  pencil     ABC     POD
27 3    red     pen     ABC     POD 
28 -----*内连接*-----
29 
30    color       id brand_x brand_y
31 0  white     ball     OMG     ABC
32 1    red   pencil     ABC     OMG
33 2    red   pencil     ABC     POD
34 3    red      pen     ABC     POD
35 4  black      mug     POD     NaN
36 5  green  ashtray     POD     NaN 
37 -----*外连接*-----
38 
39    color      id brand_x brand_y
40 0  white    ball     OMG     ABC
41 1    red  pencil     ABC     OMG
42 2    red  pencil     ABC     POD
43 3    red     pen     ABC     POD 
44 -----*右连接*-----

  指定按多个列合并:

 1 print(pd.merge(frame4,frame2,on=[\'id\',\'brand\'],how=\'outer\'))
 2 输出:
 3    color       id brand
 4 0  white     ball   OMG
 5 1    red   pencil   ABC
 6 2    red      pen   ABC
 7 3  black      mug   POD
 8 4  green  ashtray   POD
 9 5    NaN   pencil   OMG
10 6    NaN   pencil   POD
11 7    NaN     ball   ABC
12 8    NaN      pen   POD

  这个地方如果是内连接就会是空。

 

根据索引合并

 1 print(frame4, \'\\n-----*frame4*-----\\n\')
 2 print(frame2, \'\\n-----*frame2*-----\\n\')
 3 print(pd.merge(frame4,frame2,right_index=True,left_index=True))
 4 # 也可以使用jion合并
 5 frame2.columns = [\'id2\', \'brand2\']
 6 print(frame4.join(frame2))
 7 输入:
 8    color       id brand
 9 0  white     ball   OMG
10 1    red   pencil   ABC
11 2    red      pen   ABC
12 3  black      mug   POD
13 4  green  ashtray   POD 
14 -----*frame4*-----
15 
16        id brand
17 0  pencil   OMG
18 1  pencil   POD
19 2    ball   ABC
20 3     pen   POD 
21 -----*frame2*-----
22 
23    color    id_x brand_x    id_y brand_y
24 0  white    ball     OMG  pencil     OMG
25 1    red  pencil     ABC  pencil     POD
26 2    red     pen     ABC    ball     ABC
27 3  black     mug     POD     pen     POD
28    color       id brand     id2 brand2
29 0  white     ball   OMG  pencil    OMG
30 1    red   pencil   ABC  pencil    POD
31 2    red      pen   ABC    ball    ABC
32 3  black      mug   POD     pen    POD
33 4  green  ashtray   POD     NaN    NaN

  两者之间的差异是非常明显的,前者不一致的就舍去,后者添加NaN补全。

 

拼接操作

 

  另外一种数据整合操作叫作拼接(concatenation)。NumPy的concatenate()函数就是用于数 组的拼接操作。

 1 array1 = np.arange(9).reshape((3,3))
 2 array2  = np.arange(9).reshape((3,3))+6
 3 # axis=0表示按行拼接,就是将array2放在array1下面
 4 print(np.concatenate([array1,array2],axis=0))
 5 print(np.concatenate([array1,array2],axis=1))
 6 输出:
 7 [[ 0  1  2]
 8  [ 3  4  5]
 9  [ 6  7  8]
10  [ 6  7  8]
11  [ 9 10 11]
12  [12 13 14]]
13 [[ 0  1  2  6  7  8]
14  [ 3  4  5  9 10 11]
15  [ 6  7  8 12 13 14]]

  pandas库以及它的Series和DataFrame等数据结构实现了带编号的轴,它可以进一步扩展数组拼接功能。

pandas的concat()函数实现了按轴拼接的功能。

 1 ser1 = pd.Series(np.random.rand(4),index=[1,2,3,4])
 2 ser2 = pd.Series(np.random.rand(4),index=[5,6,7,8])
 3 # pd.concat([ser1,ser2]), concat()函数默认按照axis=0这条轴拼接数据,返回Series对象。如果指定axis=l,返回结果将是DataFrame对象。
 4 print(pd.concat([ser1,ser2]))
 5 print(pd.concat([ser1,ser2], axis=1))
 6 # 赋予新对象以等级索引
 7 print(pd.concat([ser1,ser2],keys=[1,2]))  #等级索引
 8 frame5 = pd.DataFrame(np.random.rand(9).reshape(3,3), index=[1,2,3],columns=[\'A\',\'B\',\'C\'])
 9 frame2 = pd.DataFrame(np.random.rand(9).reshape(3,3), index=[4,5,6],columns=[\'A\',\'B\',\'C\'])
10 print(pd.concat([frame5,frame2]))
11 print(pd.concat([frame5,frame2],axis=1))
12 输出:
13 1    0.392044
14 2    0.800669
15 3    0.899750
16 4    0.853225
17 5    0.545121
18 6    0.979369
19 7    0.864454
20 8    0.338446
21 dtype: float64
22           0         1
23 1  0.392044       NaN
24 2  0.800669       NaN
25 3  0.899750       NaN
26 4  0.853225       NaN
27 5       NaN  0.545121
28 6       NaN  0.979369
29 7       NaN  0.864454
30 8       NaN  0.338446
31 1  1    0.392044
32    2    0.800669
33    3    0.899750
34    4    0.853225
35 2  5    0.545121
36    6    0.979369
37    7    0.864454
38    8    0.338446
39 dtype: float64
40           A         B         C
41 1  0.781247  0.927653  0.765253
42 2  0.395887  0.625049  0.509451
43 3  0.566538  0.869041  0.862552
44 4  0.877117  0.226862  0.205766
45 5  0.489178  0.054522  0.497122
46 6  0.691023  0.076475  0.965215
47           A         B         C         A         B         C
48 1  0.781247  0.927653  0.765253       NaN       NaN       NaN
49 2  0.395887  0.625049  0.509451       NaN       NaN       NaN
50 3  0.566538  0.869041  0.862552       NaN       NaN       NaN
51 4       NaN       NaN       NaN  0.877117  0.226862  0.205766
52 5       NaN       NaN       NaN  0.489178  0.054522  0.497122
53 6       NaN       NaN       NaN  0.691023  0.076475  0.965215

 

组合操作

  还有另外一种情况,我们无法通过合并或拼接方法组合数据。例如,两个数据集的索引完全或部分重合。

 1 ser1 = pd.Series(np.random.rand(5),index=[1,2,3,4,5])
 2 ser2 = pd.Series(np.random.rand(4),index=[2,4,5,6])
 3 # ser1组合上ser2
 4 print(ser1.combine_first(ser2))
 5 # ser2组合上ser1
 6 print(ser2.combine_first(ser1))
 7 print(ser1[:3].combine_first(ser2[:3]))
 8 输出:
 9 1    0.174250
10 2    0.208664
11 3    0.784141
12 4    0.861739
13 5    0.373359
14 6    0.332396
15 dtype: float64
16 1    0.174250
17 2    0.061261
18 3    0.784141
19 4    0.889045
20 5    0.232429
21 6    0.332396
22 dtype: float64
23 1    0.174250
24 2    0.208664
25 3    0.784141
26 4    0.889045
27 5    0.232429
28 dtype: float64

 

轴向旋转操作

 1 frame5 = pd.DataFrame(np.arange(9).reshape(3,3),index=[\'white\',\'black\',\'red\'],columns=[\'ball\',\'pen\',\'pencil\'])
 2 print(frame5)
 3 frame6 = frame5.stack()  # 列变行,变成层级的样式,码整齐
 4 print(frame6)
 5 print(frame6.unstack())
 6 print(frame6.unstack(0))
 7 输出:
 8        ball  pen  pencil
 9 white     0    1       2
10 black     3    4       5
11 red       6    7       8
12 white  ball      0
13        pen       1
14        pencil    2
15 black  ball      3
16        pen       4
17        pencil    5
18 red    ball      6
19        pen       7
20        pencil    8
21 dtype: int32
22        ball  pen  pencil
23 white     0    1       2
24 black     3    4       5
25 red       6    7       8
26         white  black  red
27 ball        0      3    6
28 pen         1      4    7
29 pencil      2      5    8

 

 

长格式转宽格式

 1 longframe = pd.DataFrame({
 2     \'color\':[\'white\',\'white\',\'white\',\'red\',\'red\',\'red\',\'black\',\'black\',\'black\'],
 3     \'item\':[\'ball\',\'pen\',\'mug\',\'ball\',\'pen\',\'mug\',\'ball\',\'pen\',\'mug\'],
 4     \'value\': np.random.rand(9)
 5 })
 6 print(longframe)
 7 输出:
 8    color  item     value
 9 0  white  ball  0.993608
10 1  white   pen  0.522115
11 2  white   mug  0.977019
12 3    red  ball  0.999250
13 4    red   pen  0.051223
14 5    red   mug  0.345762
15 6  black  ball  0.539147
16 7  black   pen  0.054598
17 8  black   mug  0.420309

  这种记录数据的模式有几个缺点。例如其中一个缺点是,因为一些字段具有多样性和 重复性特点,所以选

取列作为键时,这种格式的数据可读性较差,尤其是无法完全理解基准列和 其他列之间的关系。除了长格式,还

有一种把数据调整为表格形式的宽格式。这种模式可读性强,也易于连接其他表,且占用空间较少。因此一般而

言,用它存储数据效率更高,虽然它的可操作性差,这一点 尤其体现在填充数据时。如要选择一列或几列作为主

键,所要遵循的规则是其中的元素必须是唯一的。讲到格式转换,pandas提供了能够把长格式DataFrame转换为

宽格式的pivot()函数,它以用 作键的一列或多列作为参数。接着上面的例子,选择color列作为主键,item列作为

第二主键,而它们所对应的元素则作 为DataFrame的新列。

 1 wideframe = longframe.pivot(\'color\',\'item\')
 2 print(wideframe)
 3 # 这种格式的DataFrame对象更加紧凑,它里面的数据可读性也更强。
 4 输出:
 5           value                    
 6 item       ball       mug       pen
 7 color                              
 8 black  0.549983  0.157802  0.987871
 9 red    0.685751  0.038634  0.251137
10 white   0.263787   0.291939  0.787407

 

 

删除操作

 1 frame7 = pd.DataFrame(np.arange(9).reshape(3,3),index=[\'white\',\'black\',\'red\'],columns=[\'ball\',\'pen\',\'pencil\'])
 2 print(frame7)
 3 del frame7[\'ball\']  # 删除列
 4 print(frame7)
 5 frame7.drop(\'white\')  # 删除行
 6 print(frame7)
 7 frame7.drop(\'pen\',axis=1)  # 删除列
 8 输出:
 9        ball  pen  pencil
10 white     0    1       2
11 black     3    4       5
12 red       6    7       8
13        pen  pencil
14 white    1       2
15 black    4       5
16 red      7       8
17        pen  pencil
18 white    1       2
19 black    4       5
20 red      7       8

 

 

 

 

 

 

以上是关于Python数据分析库pandas ------ mergeconcatenation pd.concat合并与拼接的主要内容,如果未能解决你的问题,请参考以下文章

Python Pandas库教程(超详细)

教程 | 一文入门Python数据分析库Pandas

浅谈python的第三方库——pandas

小丸子踏入python之路:python_day05(数据分析处理库Pandas)

Python的Pandas库简述

安装Pandas