merge

merge 函数通过一个或多个键将数据集的行连接起来。
场景：针对同一个主键存在的两张包含不同特征的表，通过主键的链接，将两张表进行合并。合并之后，两张表的行数不增加，列数是两张表的列数之和。

def 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, validate=None):

参数 描述 how 数据融合的方法，从在不重合的键，方式（inner、outer、left、right） on 用来对齐的列名，一定要保证左表和右表存在相同的列名。 left_on 左表对齐的列，可以是列名。也可以是DataFrame同长度的arrays right_on 右表对齐的列，可以是列名。 left_index 将左表的index用作连接键 right_index 将右表的index用作连接键 suffixes 左右对象中存在重名列，结果区分的方式，后缀名。 copy 默认：True。将数据复制到数据结构中，设置为False提高性能。

特性示例(1)

默认：以重叠的列名当作连接键

df1 = pd.DataFrame({'key': ['one', 'two', 'two'], 'data1': np.arange(3)})df2 = pd.DataFrame({'key': ['one', 'three', 'three'], 'data2': np.arange(3)})df3 = pd.merge(df1, df2)print(df1)print(df2)print(df3) key data10 one 01 two 12 two 2 key data20 one 01 three 12 three 2 key data1 data20 one 0 0

特性示例(2)

默认：做inner连接，取key的交集
连接方式还有left right outer

df1 = pd.DataFrame({'key': ['one', 'two', 'two'], 'data1': np.arange(3)})df2 = pd.DataFrame({'key': ['one', 'three', 'three'], 'data2': np.arange(3)})df3 = pd.merge(df1, df2)df4 = pd.merge(df1, df2, how='left')print(df3)print(df4) key data1 data20 one 0 0 key data1 data20 one 0 0.01 two 1 NaN2 two 2 NaN

特性示例(3)

多键连接时将连接键做成列表传入。
on默认是两者同时存在的列

df1 = pd.DataFrame({'key': ['one', 'two', 'two'], 'value': ['a', 'b', 'c'], 'data1': np.arange(3)})df2 = pd.DataFrame({'key': ['one', 'two', 'three'], 'value': ['a', 'c', 'c'], 'data2': np.arange(3)})df5 = pd.merge(df1, df2)df6 = pd.merge(df1, df2, on=['key', 'value'], how='outer')print(df5)print(df6) key value data1 data20 one a 0 01 two c 2 1 key value data1 data20 one a 0.0 0.01 two b 1.0 NaN2 two c 2.0 1.03 three c NaN 2.0

特性示例(4)

两个对象的列名不同，需要分别制定。

df7 = pd.merge(df1, df2, left_on=['key1','data1'], right_on=['key2','data2'], how='outer')print(df7) key1 value_x data1 key2 value_y data20 one a 0.0 one a 0.01 two b 1.0 two c 1.02 two c 2.0 NaN NaN NaN3 NaN NaN NaN three c 2.0

join

join方法将两个DataFrame中不同的列索引合并成为一个DataFrame
参数的意义与merge基本相同，只是join方法默认左外连接how=left

def join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False):

示例

df1 = pd.DataFrame({'A': ['A0', 'A1', 'A1'], 'B': ['B0', 'B1', 'B2']}, index=['K0', 'K1', 'K2'])df2 = pd.DataFrame({'C': ['C1', 'C2', 'C3'], 'D': ['D0', 'D1', 'D2']}, index=['K0', 'K1', 'K3'])df3 = df1.join(df2)df4 = df1.join(df2, how='outer')df5 = df1.join(df2, how='inner')print(df3)print(df4)print(df5) A B C DK0 A0 B0 C1 D0K1 A1 B1 C2 D1K2 A1 B2 NaN NaN A B C DK0 A0 B0 C1 D0K1 A1 B1 C2 D1K2 A1 B2 NaN NaNK3 NaN NaN C3 D2 A B C DK0 A0 B0 C1 D0K1 A1 B1 C2 D1

concat

制定按某个轴进行连接（可横向可纵向），也可以指定连接方法。

def concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, sort=None, copy=True):

属性 描述 objs 合并的对象集合。可以是Series、DataFrame axis 合并方法。默认0，表示纵向，1横向 join 默认outer并集，inner交集。只有这两种 join_axes 按哪些对象的索引保存 ignore_index 默认Fasle忽略。是否忽略原index keys 为原始DataFrame添加一个键，默认无

示例(1)

s1 = pd.Series(['a', 'b'])s2 = pd.Series(['c', 'd'])s3 = pd.concat([s1, s2])s4 = pd.concat([s1, s2], ignore_index=True)print(s3)print(s4)0 a1 bdtype: object0 c1 ddtype: object0 a1 b0 c1 ddtype: object0 a1 b2 c3 ddtype: object

示例（2）

df1 = pd.DataFrame([['a', 1], ['b', 2]], columns=['A', 0])df2 = pd.DataFrame([['a', 1], ['b', 2]], columns=['B', 0])df3 = pd.concat([df1, df2], join='inner')print(df3) 00 11 20 11 2

示例（3）

df1 = pd.DataFrame([['a', 1], ['b', 2]], columns=['A', 0])df2 = pd.DataFrame([['a', 1], ['b', 2]], columns=['B', 0])df3 = pd.concat([df1, df2], axis=1, join_axes=[df1.index])print(df3) A 0 B 00 a 1 a 11 b 2 b 2

append

横向和纵向同时扩充，不考虑columns和index

df1 = pd.DataFrame({'A': ['A0', 'A1', 'A1'], 'B': ['B0', 'B1', 'B2']}, index=['K0', 'K1', 'K2'])s2 = pd.Series(['X0','X1'], index=['A','B'])result = df1.append(s2, ignore_index=True)print(result) A BK0 A0 B0K1 A1 B1K2 A1 B2 A B0 A0 B01 A1 B12 A1 B23 X0 X1

汇总

• concat：可以沿一条轴将多个对象连接到一起
• merge：可以根据一个或多个键将不同的DataFrame中的行连接起来。
• join：inner是交集，outer是并集。
  

到此这篇关于DataFrame 数据合并实现(merge，join，concat)的文章就介绍到这了,更多相关DataFrame 数据合并内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！