作者：梁唐

來(lái)源：早起Python

今天是我們一起來(lái)聊聊pandas中dataframe的合并。

常見(jiàn)的數(shù)據(jù)合并操作主要有兩種，第一種是我們新生成了新的特征，想要把它和舊的特征合并在一起。第二種是我們新獲取了一份數(shù)據(jù)集，想要擴(kuò)充舊的數(shù)據(jù)集。這兩種合并操作在我們?nèi)粘５墓ぷ鳟?dāng)中非常尋常，那么究竟應(yīng)該怎么操作呢？讓我們一個(gè)一個(gè)來(lái)看。

merge

首先我們來(lái)看dataframe當(dāng)中的merge操作，merge操作類(lèi)似于數(shù)據(jù)庫(kù)當(dāng)中兩張表的join，可以通過(guò)一個(gè)或者多個(gè)key將多個(gè)dataframe鏈接起來(lái)。

我們首先來(lái)創(chuàng)建兩個(gè)dataframe數(shù)據(jù)：

df1 = pd.DataFrame({'id': [1, 2, 3, 3, 5, 7, 6], 'age': range(7)})

df2 = pd.DataFrame({'id': [1, 2, 4, 4, 5, 6, 7], 'score': range(7)})

我們可以看到這兩個(gè)dataframe當(dāng)中都有id這個(gè)字段，如果我們想要將它們根據(jù)id關(guān)聯(lián)起來(lái)，我們可以用pd.merge函數(shù)完成：

這里雖然我們沒(méi)有指定根據(jù)哪一列完成關(guān)聯(lián)，但是pandas會(huì)自動(dòng)尋找兩個(gè)dataframe的名稱相同列來(lái)進(jìn)行關(guān)聯(lián)。一般情況下我們不這么干，還是推薦大家指定列名。指定列名很簡(jiǎn)單，我們只需要傳入on這個(gè)參數(shù)即可。

如果需要根據(jù)多列關(guān)聯(lián)，我們也可以傳入一個(gè)數(shù)組。但假如兩個(gè)dataframe當(dāng)中的列名不一致怎么辦，比如這兩個(gè)dataframe當(dāng)中的一列叫做id，一列叫做number，該怎么完成join呢？

df1 = pd.DataFrame({'id': [1, 2, 3, 3, 5, 7, 6], 'age': range(7)})

df2 = pd.DataFrame({'number': [1, 2, 4, 4, 5, 6, 7], 'score': range(7)})

這個(gè)時(shí)候就需要用left_on指定左表用來(lái)join的列名，用right_on指定右表用來(lái)join的列名。

談到j(luò)oin，不得不提另外一個(gè)問(wèn)題就是join的方式。我們都知道在數(shù)據(jù)庫(kù)的表join操作當(dāng)中我們通常的join方式有4種。分別是innner join，left join，right join和outer join。我們觀察一下上面的結(jié)果會(huì)發(fā)現(xiàn)關(guān)聯(lián)之后的數(shù)據(jù)條數(shù)變少了，這是因?yàn)槟J(rèn)的方式是inner join，也就是兩張表當(dāng)中都存在的數(shù)據(jù)才會(huì)被保留。如果是left join，那邊左邊當(dāng)中所有的數(shù)據(jù)都會(huì)保留，關(guān)聯(lián)不上的列置為None，同理，如果是right join，則右表全部保留，outer join則會(huì)全部保留。

join的方式選擇通過(guò)how這個(gè)參數(shù)控制，比如如果我們想要左表保留，我們傳入how='left'即可。

除此之外，merge操作還有一些其他的參數(shù)，由于篇幅限制我們不一一介紹了，大家感興趣可以去查閱相關(guān)文檔。

數(shù)據(jù)合并

另外一個(gè)常用的操作叫做數(shù)據(jù)合并，為了和merge操作區(qū)分，我用了中文。雖然同樣是合并，但是它的邏輯和merge是不同的。對(duì)于merge來(lái)說(shuō)，我們需要關(guān)聯(lián)的key，是通過(guò)數(shù)據(jù)關(guān)聯(lián)上之后再合并的。而合并操作是直接的合并，行對(duì)行合并或者是列對(duì)列合并，是忽視數(shù)據(jù)的合并。

這個(gè)合并操作我們之前在numpy的介紹當(dāng)中曾經(jīng)也提到過(guò)，我們這里簡(jiǎn)單回顧一下。

首先我們先創(chuàng)建一個(gè)numpy的數(shù)組：

import numpy as np
arr = np.random.rand(3, 4)

之后呢，我們可以用concatenate函數(shù)把這個(gè)數(shù)組橫著拼或者是豎著拼，默認(rèn)是豎著拼：

我們也可以通過(guò)axis這個(gè)參數(shù)讓它變成橫著拼：

對(duì)于dataframe同樣也有這樣的操作，不過(guò)換了一個(gè)名字叫做concat。如果我們不指定的話會(huì)豎著拼接：

豎著拼接的時(shí)候會(huì)按照列進(jìn)行對(duì)齊，如果列名對(duì)不上就會(huì)填充N(xiāo)aN。

通過(guò)axis參數(shù)我們可以讓它橫向拼接：

以上就是concat的基本用法了，除了基本用法之外，concat還有一些其他的應(yīng)用，比如說(shuō)處理index層次索引等等。只是這些用法相對(duì)來(lái)說(shuō)比較小眾，使用頻率不高，就不贅述了。