
在pandas中,有多種方法可以合并和拼接數(shù)據(jù)。常見(jiàn)的方法包括append()
、concat()
、merge()
。
append()函數(shù)用于將一個(gè)DataFrame或Series對(duì)象追加到另一個(gè)DataFrame中。
import pandas as pd
df1 = pd.DataFrame({'A': ['a', 'b'],
'B': [1, 2]})
df1
A | B | |
---|---|---|
0 | a | 1 |
1 | b | 2 |
df2 = pd.DataFrame({'A': [ 'b', 'c','d'],
'B': [2, 3, 4]})
df2
A | B | |
---|---|---|
0 | b | 2 |
1 | c | 3 |
2 | d | 4 |
df1.append(df2,ignore_index=True)
A | B | |
---|---|---|
0 | a | 1 |
1 | b | 2 |
2 | b | 2 |
3 | c | 3 |
4 | d | 4 |
concat()函數(shù)用于沿指定軸將多個(gè)對(duì)象(比如Series、DataFrame)堆疊在一起??梢匝匦谢蛄蟹较蜻M(jìn)行拼接。
先看一個(gè)上下堆疊的例子
df1 = pd.DataFrame({'A': ['a', 'b'],
'B': [1, 2]})
df1
A | B | |
---|---|---|
0 | a | 1 |
1 | b | 2 |
df2 = pd.DataFrame({'A': [ 'b', 'c','d'],
'B': [2, 3, 4]})
df2
A | B | |
---|---|---|
0 | b | 2 |
1 | c | 3 |
2 | d | 4 |
pd.concat([df1,df2],axis =0) # 上下拼接
A | B | |
---|---|---|
0 | a | 1 |
1 | b | 2 |
0 | b | 2 |
1 | c | 3 |
2 | d | 4 |
再看一個(gè)左右堆疊的例子
df1 = pd.DataFrame({'A': ['a', 'b']})
df1
A | |
---|---|
0 | a |
1 | b |
df2 = pd.DataFrame({'B': [1, 2],
'C': [2, 4]})
df2
B | C | |
---|---|---|
0 | 1 | 2 |
1 | 2 | 4 |
pd.concat([df1,df2],axis =1) # 左右拼接
A | B | C | |
---|---|---|---|
0 | a | 1 | 2 |
1 | b | 2 | 4 |
merge()
函數(shù)用于根據(jù)一個(gè)或多個(gè)鍵將兩個(gè)DataFrame的行連接起來(lái)。類似于SQL中的JOIN操作。
先看一下 inner
和 outer
連接
df1 = pd.DataFrame({'A': ['a', 'b', 'c'],
'B': [1, 2, 3]})
df1
A | B | |
---|---|---|
0 | a | 1 |
1 | b | 2 |
2 | c | 3 |
df2 = pd.DataFrame({'A': [ 'b', 'c','d'],
'B': [2, 3, 4]})
df2
A | B | |
---|---|---|
0 | b | 2 |
1 | c | 3 |
2 | d | 4 |
pd.merge(df1,df2,how = 'inner')
A | B | |
---|---|---|
0 | b | 2 |
1 | c | 3 |
pd.merge(df1,df2,how = 'outer')
A | B | |
---|---|---|
0 | a | 1 |
1 | b | 2 |
2 | c | 3 |
3 | d | 4 |
再看左右鏈接的例子:
df1 = pd.DataFrame({'A': ['a', 'b', 'c'],
'B': [1, 2, 3]})
df1
A | B | |
---|---|---|
0 | a | 1 |
1 | b | 2 |
2 | c | 3 |
df2 = pd.DataFrame({'A': [ 'b', 'c','d'],
'C': [2, 3, 4]})
df2
A | C | |
---|---|---|
0 | b | 2 |
1 | c | 3 |
2 | d | 4 |
pd.merge(df1,df2,how = 'left',on = "A") # 左連接
A | B | C | |
---|---|---|---|
0 | a | 1 | NaN |
1 | b | 2 | 2.0 |
2 | c | 3 | 3.0 |
pd.merge(df1,df2,how = 'right',on = "A") # 右連接
A | B | C | |
---|---|---|---|
0 | b | 2.0 | 2 |
1 | c | 3.0 | 3 |
2 | d | NaN | 4 |
pd.merge(df1,df2,how = 'inner',on = "A") # 內(nèi)連接
A | B | C | |
---|---|---|---|
0 | b | 2 | 2 |
1 | c | 3 | 3 |
pd.merge(df1,df2,how = 'outer',on = "A") # 外連接
A | B | C | |
---|---|---|---|
0 | a | 1.0 | NaN |
1 | b | 2.0 | 2.0 |
2 | c | 3.0 | 3.0 |
3 | d | NaN | 4.0 |
補(bǔ)充1個(gè)小技巧
df1[df1['A'].isin(df2['A'])] # 返回在df1中列'A'的值在df2中也存在的行
A | B | |
---|---|---|
1 | b | 2 |
2 | c | 3 |
df1[~df1['A'].isin(df2['A'])] # 返回在df1中列'A'的值在df2中不存在的行
A | B | |
---|---|---|
0 | a | 1 |
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
SQL Server 中 CONVERT 函數(shù)的日期轉(zhuǎn)換:從基礎(chǔ)用法到實(shí)戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉(zhuǎn)換是高頻需求 —— 無(wú)論 ...
2025-09-18MySQL 大表拆分與關(guān)聯(lián)查詢效率:打破 “拆分必慢” 的認(rèn)知誤區(qū) 在 MySQL 數(shù)據(jù)庫(kù)管理中,“大表” 始終是性能優(yōu)化繞不開(kāi)的話題。 ...
2025-09-18CDA 數(shù)據(jù)分析師:表結(jié)構(gòu)數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結(jié)構(gòu)數(shù)據(jù)(如數(shù)據(jù)庫(kù)表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-18DSGE 模型中的 Et:理性預(yù)期算子的內(nèi)涵、作用與應(yīng)用解析 動(dòng)態(tài)隨機(jī)一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開(kāi)始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價(jià)值的專業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫(kù)表、Excel 表、 ...
2025-09-17Excel 導(dǎo)入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實(shí)戰(zhàn)應(yīng)用 在用 Python(如 pandas 庫(kù))處理 Excel 數(shù)據(jù)時(shí),“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗(yàn)與 t 檢驗(yàn):差異、適用場(chǎng)景與實(shí)踐應(yīng)用 在數(shù)據(jù)分析與統(tǒng)計(jì)學(xué)領(lǐng)域,假設(shè)檢驗(yàn)是驗(yàn)證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計(jì)劃中 rows 數(shù)量的準(zhǔn)確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計(jì)劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對(duì)象的 text 與 content:區(qū)別、場(chǎng)景與實(shí)踐指南 在 Python 進(jìn)行 HTTP 網(wǎng)絡(luò)請(qǐng)求開(kāi)發(fā)時(shí)(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價(jià)值的核心操盤手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫(kù)表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請(qǐng)求工具對(duì)比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請(qǐng)求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)的科學(xué)計(jì)數(shù)法問(wèn)題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)時(shí)的科學(xué)計(jì)數(shù)法問(wèn)題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務(wù)數(shù)據(jù)分析步驟的落地者與價(jià)值優(yōu)化者 業(yè)務(wù)數(shù)據(jù)分析是企業(yè)解決日常運(yùn)營(yíng)問(wèn)題、提升執(zhí)行效率的核心手段,其價(jià)值 ...
2025-09-12用 SQL 驗(yàn)證業(yè)務(wù)邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實(shí)戰(zhàn)指南 在業(yè)務(wù)系統(tǒng)落地過(guò)程中,“業(yè)務(wù)邏輯” 是連接 “需求設(shè)計(jì)” 與 “用戶體驗(yàn) ...
2025-09-11塔吉特百貨孕婦營(yíng)銷案例:數(shù)據(jù)驅(qū)動(dòng)下的精準(zhǔn)零售革命與啟示 在零售行業(yè) “流量紅利見(jiàn)頂” 的當(dāng)下,精準(zhǔn)營(yíng)銷成為企業(yè)突圍的核心方 ...
2025-09-11CDA 數(shù)據(jù)分析師與戰(zhàn)略 / 業(yè)務(wù)數(shù)據(jù)分析:概念辨析與協(xié)同價(jià)值 在數(shù)據(jù)驅(qū)動(dòng)決策的體系中,“戰(zhàn)略數(shù)據(jù)分析”“業(yè)務(wù)數(shù)據(jù)分析” 是企業(yè) ...
2025-09-11Excel 數(shù)據(jù)聚類分析:從操作實(shí)踐到業(yè)務(wù)價(jià)值挖掘 在數(shù)據(jù)分析場(chǎng)景中,聚類分析作為 “無(wú)監(jiān)督分組” 的核心工具,能從雜亂數(shù)據(jù)中挖 ...
2025-09-10統(tǒng)計(jì)模型的核心目的:從數(shù)據(jù)解讀到?jīng)Q策支撐的價(jià)值導(dǎo)向 統(tǒng)計(jì)模型作為數(shù)據(jù)分析的核心工具,并非簡(jiǎn)單的 “公式堆砌”,而是圍繞特定 ...
2025-09-10