中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

參考鏈接：http://pandas.pydata.org/pandas-docs/stable/merging.html

merge

用于通過一個或多個鍵將兩個數(shù)據(jù)集的行連接起來，類似于 SQL 中的 JOIN。該函數(shù)的典型應(yīng)用場景是，針對同一個主鍵存在兩張包含不同字段的表，現(xiàn)在我們想把他們整合到一張表里。在此典型情況下，結(jié)果集的行數(shù)并沒有增加，列數(shù)則為兩個元數(shù)據(jù)的列數(shù)和減去連接鍵的數(shù)量。
on=None 用于顯示指定列名（鍵名），如果該列在兩個對象上的列名不同，則可以通過 left_on=None, right_on=None 來分別指定。或者想直接使用行索引作為連接鍵的話，就將 left_index=False, right_index=False 設(shè)為 True。
how=’inner’ 參數(shù)指的是當(dāng)左右兩個對象中存在不重合的鍵時，取結(jié)果的方式：inner 代表交集；outer 代表并集；left 和 right 分別為取一邊。
suffixes=(‘_x’,’_y’) 指的是當(dāng)左右對象中存在除連接鍵外的同名列時，結(jié)果集中的區(qū)分方式，可以各加一個小尾巴。
對于多對多連接，結(jié)果采用的是行的笛卡爾積。

pandas.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False)
1

默認(rèn)以重疊的列名作為鏈接鍵,默認(rèn)inner
官方關(guān)于how的定義:
how : {‘left’, ‘right’, ‘outer’, ‘inner’}, default ‘inner’

• left: use only keys from left frame (SQL: left outer join)
• right: use only keys from right frame (SQL: right outer join)
• outer: use union of keys from both frames (SQL: full outer join)
• inner: use intersection of keys from both frames (SQL: inner join)

最好是顯示的試用on, pd.merge(df1,df2, on=’key’)
pd.merge(df1,df2, left_on=’lkey’, right_on=’rkey’)

對重復(fù)列名的處理suffixes, 如
pd.merge(left,right,on=’key1’, suffixes=(‘_left’,’_right’)

df1=DataFrame({'key':['a','b','b'],'data1':range(3)})  df2=DataFrame({'key':['a','b','c'],'data2':range(3)})pd.merge(df1,df2) 
1
2
3

多鍵連接時將連接鍵組成列表傳入

right=DataFrame({'key1':['foo','foo','bar','bar'],      'key2':['one','one','one','two'],      'lval':[4,5,6,7]})left=DataFrame({'key1':['foo','foo','bar'],      'key2':['one','two','one'],      'lval':[1,2,3]}) pd.merge(left,right,on=['key1','key2'],how='right')
1
2
3
4
5
6
7

如果兩個對象的列名不同，可以分別指定

df3=DataFrame({'key3':['foo','foo','bar','bar'],    'key4':['one','one','one','two'],      'lval':[4,5,6,7]})  pd.merge(left,df3,left_on='key1',right_on='key3',how='right')
1
2
3
4

以索引當(dāng)做連接鍵，使用參數(shù)left_index=true,right_index=True （最好使用join）

join 拼接列，主要用于索引上的合并

join方法提供了一個簡便的方法用于將兩個DataFrame中的不同的列索引合并成為一個DataFrame。

join方法默認(rèn)為left。

 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'])
1
2
3
4
5
6
7

• 默認(rèn)按索引合并，可以合并相同或相似的索引，不管他們有沒有重疊列。
• 可以連接多個DataFrame
• 可以連接除索引外的其他列
• 連接方式用參數(shù)how控制
• 通過lsuffix=”, rsuffix=” 區(qū)分相同列名的列

同理可以使用merge來實(shí)現(xiàn)，要將left_index=True, right_index=True

result = pd.merge(left, right, left_index=True, right_index=True, how='inner')
1

列與index進(jìn)行合并

left.join(right, on=key_or_keys)pd.merge(left, right, left_on=key_or_keys, right_index=True,      how='left', sort=False)
1
2
3

left = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],                      'B': ['B0', 'B1', 'B2', 'B3'],                     'key': ['K0', 'K1', 'K0', 'K1']})
1
2
3

 right = pd.DataFrame({'C': ['C0', 'C1'],                       'D': ['D0', 'D1']},                       index=['K0', 'K1'])
1
2
3

合并

left.join(right, on='key')pd.merge(left, right, left_on='key', right_index=True,                   how='left', sort=False)
1
2
3

concat 可以沿著一條軸將多個對象堆疊到一起

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,          keys=None, levels=None, names=None, verify_integrity=False,          copy=True)
1
2
3

concat方法相當(dāng)于數(shù)據(jù)庫中的全連接(UNION ALL),可以指定按某個軸進(jìn)行連接,也可以指定連接的方式j(luò)oin(outer,inner 只有這兩種)。與數(shù)據(jù)庫不同的時concat不會去重，要達(dá)到去重的效果可以使用drop_duplicates方法

軸向連接 pd.concat() 就是單純地把兩個表拼在一起，這個過程也被稱作連接（concatenation）、綁定（binding）或堆疊（stacking）。因此可以想見，這個函數(shù)的關(guān)鍵參數(shù)應(yīng)該是 axis，用于指定連接的軸向。
在默認(rèn)的 axis=0 情況下，pd.concat([obj1,obj2]) 函數(shù)的效果與 obj1.append(obj2) 是相同的；
而在 axis=1 的情況下，pd.concat([df1,df2],axis=1) 的效果與 pd.merge(df1,df2,left_index=True,right_index=True,how=’outer’) 是相同的。
可以理解為 concat 函數(shù)使用索引作為“連接鍵”。
舉例：

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])
1
2
3
4
5

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])
1
2
3
4
5

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])
1
2
3
4
5

frames = [df1, df2, df3]result = pd.concat(frames)result
1
2
3

objs 就是需要連接的對象集合，一般是列表或字典；
axis=0 是連接軸向
join=’outer’ 參數(shù)作用于當(dāng)另一條軸的 index 不重疊的時候，只有 ‘inner’ 和 ‘outer’ 可選（順帶展示 ignore_index=True 的用法）

concat 一些特點(diǎn)：
- 作用于Series時，如果在axis=0時，類似union。axis=1 時，組成一個DataFrame，索引是union后的，列是類似join后的結(jié)果。
- 通過參數(shù)join_axes=[] 指定自定義索引。
- 通過參數(shù)keys=[] 創(chuàng)建層次化索引
- 通過參數(shù)ignore_index=True 重建索引。

通過keys創(chuàng)建層次化索引

result = pd.concat(frames, keys=['x', 'y', 'z'])
1

result.ix['y']
1

下面來演示axis

 pd.concat([df1, df4], axis=1)
1

pd.concat([df1, df4], axis=1, join='inner')
1

指定自定義索引join_axes

pd.concat([df1, df4], axis=1, join_axes=[df1.index])
1

append

df1.append(df4)
1

df1.append([df2, df3])
1

好了，有些累了，具體請參考
http://pandas.pydata.org/pandas-docs/stable/merging.html