pandas实现数据合并的示例代码

#pandas 的 concat函数表达式如下
pd.concat(
    [df1, df2, df3],  #指定需合并的两个或多个Dataframe，各个df的shape可以不同
    axis = 0, #指定合并时，合并的轴方向，默认为0，即行合并，多个df会在纵向进行拼接合并
    join = 'outer', #指定在合并轴方向的另外一个轴方向，标签如何合并，outer指取并集，inner指取交集
    ignore_index = False, #指定是否保留原各个df在合并轴方向上的原有标签，默认False，即保留
    keys = ['a','b','c'], #为合并后的数据，在合并轴方向上指定新的index，便于区分各个合并数据源
    names = ['groupA','groupB'], #为
    verify_integrity = False， #指定是否允许在指定的合并轴方向上，允许存在重复的标签，默认值为False，即允许，当指定为True时，如果有重复，在合并的时候会报错
) 

#一般情况下，基本是在行方向将多个DataFrame进行连接合并，组成一个新的DataFrame，便于统一进行处理
#常见的应用场景，比如多个DataFrame可能有部分相同的列，希望连在一起，分析其规律
#df1数据源如下：
    A            B            C
0    0.214326    0.818321    -0.055211
1    -0.941666    2.396083    2.173411
#df2数据源如下：
    A            B
0    0.397919    -0.350948
1    0.147547    -0.172974
pd.concat([df1 , df2], axis=0)  #运算结果如下
    A            B            C
0    -0.663727    1.883112    -0.409361
1    0.874930    -0.120000    0.015474
0    0.380397    -1.088665    NaN
1    -1.623468    0.610855    NaN
 
pd.concat([df1 , df2], axis=1) #运算结果如下
    A            B            C            A            B
0    -0.663727    1.883112    -0.409361    0.380397    -1.088665
1    0.874930    -0.120000    0.015474    -1.623468    0.610855

#一般直接使用join的默认值，即outer，取并集，此时不会丢弃多个DataFrame的任何列信息
#当然，如果想合并时，最后只留下多个DataFrame相同的列或行标签，则使用inner取交集
#df1数据源如下：
    A            B            C
0    0.214326    0.818321    -0.055211
1    -0.941666    2.396083    2.173411
#df2数据源如下：
    A            B
0    0.397919    -0.350948
1    0.147547    -0.172974
pd.concat([df1 , df2], join = 'outer')  #运算结果如下
    A            B            C
0    -0.663727    1.883112    -0.409361
1    0.874930    -0.120000    0.015474
0    0.380397    -1.088665    NaN
1    -1.623468    0.610855    NaN
 
pd.concat([df1 , df2], join = 'inner')  #运算结果如下
    A            B
0    -0.663727    1.883112
1    0.874930    -0.120000
0    0.380397    -1.088665
1    -1.623468    0.610855

#该参数在希望对行进行遍历处理时，会比较有用，因为可以设置忽略合并轴方向之前的index或标签，重新进行生成，就像是一个全新的DataFrame一样
#df2数据源如下：
    A            B            C
0    0.214326    0.818321    -0.055211
1    -0.941666    2.396083    2.173411
#df2数据源如下：
    A            B
0    0.397919    -0.350948
1    0.147547    -0.172974
 
pd.concat([df1,df2],ignore_index=True) #运算结果如下
    A            B            C
0    -0.663727    1.883112    -0.409361
1    0.874930    -0.120000    0.015474
2    0.380397    -1.088665    NaN
3    -1.623468    0.610855    NaN
 
pd.concat([df1,df2],ignore_index=False) #运算结果如下
    A            B            C
0    -0.663727    1.883112    -0.409361
1    0.874930    -0.120000    0.015474
0    0.380397    -1.088665    NaN
1    -1.623468    0.610855    NaN

#该参数类似分组的效果，即沿着合并轴方向，按照合并的数据源，进行分组，便于区分合并数据来源
#df1数据源如下：
    A            B            C
0    0.214326    0.818321    -0.055211
1    -0.941666    2.396083    2.173411
#df2数据源如下：
    A            B
0    0.397919    -0.350948
1    0.147547    -0.172974
 
pd.concat([df1,df2],keys=['a','b'])  #运算结果如下
        A            B            C
a    0    -0.663727    1.883112    -0.409361
    1    0.874930    -0.120000    0.015474
b    0    0.380397    -1.088665    NaN
    1    -1.623468    0.610855    NaN

#该参数一般与keys一起使用，比如df1和df2是两个季度前两个月的数据，然后使用concat，将两个季度的合并成一个DataFrame，并且用keys指定每个季度的名称，再用names指定对应的含义
#df1数据源如下：
    A            B            C
0    0.214326    0.818321    -0.055211
1    -0.941666    2.396083    2.173411
#df2数据源如下：
    A            B
0    0.397919    -0.350948
1    0.147547    -0.172974
 
pd.concat([df1,df2],keys=['第一季度','第二季度'],names = ['季度', '月份']) #运行结果如下
                A            B            C
季度        月份            
第一季度    0        -0.663727    1.883112    -0.409361
        1        0.874930    -0.120000    0.015474
第二季度    0        0.380397    -1.088665    NaN
        1        -1.623468    0.610855    NaN

#该参数只有在需要合并的数据，严格使用index或者列标签来区分数据的唯一性时，设置为True，才有意义
#否则，一般不设置就行，即默认False，此时合并时不会严格要求合并时index或列标签必须不同
#df1数据源如下：
    A            B            C
0    0.214326    0.818321    -0.055211
1    -0.941666    2.396083    2.173411
#df2数据源如下：
    A            B
0    0.397919    -0.350948
1    0.147547    -0.172974
 
pd.concat([df1,df2],verify_integrity=True,axis=1)  #报错，因df1和df2均有A、B列标签
pd.concat([df1,df2],verify_integrity=True,axis=0)  #报错，因为df1和df2均有0、1的index

#merge函数基本表达式如下
pd.merge(
    df1,df2, #指定需要连接的两个DataFrame
    on='A', #指定连接时，以哪个列标签为准，进行连接，一般指定的列标签需要在两个df中均存在
    how='outer', #指定数据如何连接，有outer、inner、right、left四种取值
    
    left_on='A', #如果连接的两个df没有相同的列标签，可以分别指定不同的标签，用指定的两个标签来进行连接，此时需要left_on和right_on 均进行指定
    right_on='B',
 
    left_index=True, #可设置以行index的值连接两个DataFrame，一般比较少用
    right_index=True,
 
    suffixes=('_df1','_df2') #设置如果两个DataFrame有除了指定的on列，还有其他相同列标签时，为进行区分，在各自列后面添加后缀，默认是=('_x','_y')
)

#left_on及right_on用法
#一般用在可能希望作为连接key的列标签一样时
#df1数据源为
    姓名        年龄
0    张三        28
1    李四        31
#df2数据源为
    姓名        性别        职业
0    张三        男        IT
1    李四        女        运营
 
pd.merge(df1 ,df2, on='姓名') #运算结果如下
    姓名        年龄        性别        职业
0    张三        28        男        IT
1    李四        31        女        运营
#以上等同于pd.merge(df1,df2)，或者df1.merge(df2)
 
 
#left_on及right_on用法
#一般用在可能希望作为连接key的列标签不一样时，使用
#df1数据源为
    姓名        性别        职业
0    张三        男        IT
1    李四        女        运营
#df2数据源为
    员工姓名    婚姻状况    学历
0    张三        未婚        本科
1    李四        已婚        研究生
pd.merge(df1, df2, left_on='姓名', right_on='员工姓名') #运算结果如下
    姓名        性别        职业        员工姓名        婚姻状况        学历
0    张三        男        IT        张三            未婚            本科
1    李四        女        运营        李四    已        婚            研究生

#how参数决定了将如何用on指定的key对两个DataFrame进行连接，主要是比对on指定的两个df的列标签，
#如果取并集，则是outer，即连接后的Df会包含两个df所有的key值；如果取交集，则是inner，即连接后的df只会包含两个df均有的key值
#如果需要保证左边df的key值必须有，右边的不一定，则是left；如果需要保证右边df的key值必须有，左边的不一定，则是right
#df1数据源如下
    姓名        性别        职业
0    张三        男        IT
1    李四        女        运营
#df2数据源如下
    姓名        婚姻状况        学历
0    张三        未婚            本科
1    李四        已婚            研究生
2    王五        未婚            博士
3    麻子        已婚            研究生
pd.merge(df1 , df2, how='outer') #运算结果如下
    姓名        性别        职业        婚姻状况        学历
0    张三        男        IT        未婚            本科
1    李四        女        运营        已婚            研究生
2    王五        NaN        NaN        未婚            博士
3    麻子        NaN        NaN        已婚            研究生
 
pd.merge(df1, df2, how='inner') #运算结果如下
    姓名        性别        职业        婚姻状况        学历
0    张三        男        IT        未婚        本科
1    李四        女        运营        已婚        研究生
pd.merge(df1, df2, how='left') #运算结果如下
    姓名        性别        职业        婚姻状况        学历
0    张三        男        IT        未婚            本科
1    李四        女        运营        已婚            研究生
pd.merge(df1, df2, how='right') #运算结果如下
    姓名        性别        职业        婚姻状况        学历
0    张三        男        IT        未婚            本科
1    李四        女        运营        已婚            研究生
2    王五        NaN        NaN        未婚            博士
3    麻子        NaN        NaN        已婚            研究生

#merge一般用于key为列标签时，对两个df进行链接，类似SQL中的连表操作，不过如果需要，也可以使用行的index作为key进行连表
#left_index、right_index，类似于left_on和right_on，这四个可以left和right两两结合，比如df1的index其实就是df2的列的key，此时便可以使用left_index=True，right_on='B'，或者直接对两个df用index进行连表
#df1数据源如下
    姓名        性别        职业
0    张三        男        IT
1    李四        女        运营
#df2数据源如下
    姓名        婚姻状况        学历
0    张三        未婚            本科
1    李四        已婚            研究生
2    王五        未婚            博士
3    麻子        已婚            研究生
pd.merge(df1, df2, left_index=True, right_index=True #运算结果如下
    姓名_x    性别        职业        姓名_y    婚姻状况        学历
0    张三        男        IT        张三        未婚            本科
1    李四        女        运营        李四        已婚            研究生

#如果连接的两个df，除了key列，或者on指定的列外，还有相同的列标签，为了进行区分，pd会自动在相同的列标签分别添加后缀，默认是x、y，也可通过suffixes显示指定
#df1数据源
    姓名        性别        职业
0    张三        男        IT
1    李四        女        运营
#df2数据源
    姓名        职业        婚姻状况        学历
0    张三        IT        未婚            本科
1    李四        运营        已婚            研究生
2    王五        产品        未婚            博士
3    麻子        市场        已婚            研究生
pd.merge(df1, df2, on='姓名',how='outer',suffixes=('_表1','_表2')) #运算结果如下
    姓名        性别        职业_表1        职业_表2        婚姻状况        学历
0    张三        男        IT            IT            未婚            本科    
1    李四        女        运营            运营            已婚            研究生
2    王五        NaN        NaN            产品            未婚            博士
3    麻子        NaN        NaN            市场            已婚            研究生

#join函数的使用方法如下
DataFrame.join(
    other,  #指定需要连接的其他df，如果是一个，则直接写df，如果是多个，则可以是多个df组成的列表或元组，如果是多个，则不支持设置on、lsuffix以及sort
    on=None,  #默认以行index连接，也可以指定列标签，如果需要指定多个列，则可以是列表或元组形式
    how='left', #连接的方式，枚举为 left、right、outer、inner，默认是left
    lsuffix=' ', #左df重复列的后缀，只对连接2个df有效，连接多个df如果列标签有重复，则会报错
    rsuffix=' ', #右df重复列的后缀，只对连接2个df有效，连接多个df如果列标签有重复，则会报错
    sort=False #排序，按照字典顺序对结果在连接键上排序。如果为False，连接键的顺序取决于连接类型（关键字）
)

#默认join以行索引index连接，如果多个df没有重复的列标签，则可以直接进行连接，无需设置其他参数
#此时，也可以一次性连接多个df,
#df1数据源
    姓名        性别
0    张三        男
1    李四        女
#df2数据源
    职业        婚姻状况
0    IT        未婚
1    运营        已婚
df1.join(df2) #运算结果如下
    姓名        性别        职业        婚姻状况    
0    张三        男        IT        未婚    
1    李四        女        运营        已婚    

#当有重复列标签时，必须设置lsuffix和rsuffix参数，否则就会报错
#df1数据源
    姓名        性别
0    张三        男
1    李四        女
#df2数据源
    姓名        职业        婚姻状况
0    张三        IT        未婚
1    李四        运营        已婚    
df1.join(df2, lsuffix='_a', rsuffix='_b') #运算结果如下
    姓名_a    性别        姓名_b    职业        婚姻状况
0    张三        男        张三        IT        未婚
1    李四        女        李四        运营        已婚

#类似merge，如果想链接的两个df，可能列标签没有相同，但是某列标签内容有相同，希望用该列作为Key进行连表，则可以分别设置左右on的key
#df1数据源
    姓名        性别
0    张三        男
1    李四        女
#df2数据源
    员工姓名        职业        婚姻状况
0    张三        IT        未婚
1    李四        运营        已婚
2    王五        运营        已婚
df1.join(df2.set_index('员工姓名'),on='姓名') #运算结果如下
    姓名        性别        职业        婚姻状况
0    张三        男        IT        未婚
1    李四        女        运营        已婚

#以列标签连表，就类似merge默认的用法，如果除了on指定的列标签，两个df还有其他相同的列标签，则lsuffix和rsuffix必须设置，否则会报错
#df1数据源
    姓名        性别
0    张三        男
1    李四        女
#df2数据源
    姓名        职业        婚姻状况
0    张三        IT        未婚
1    李四        运营        已婚
2    王五        运营        已婚
df1.join(df2.set_index('姓名'),on='姓名') #运算结果如下
    姓名        性别        职业        婚姻状况
0    张三        男        IT        未婚
1    李四        女        运营        已婚

import pandas as pd
#df1数据源如下
    A            B
0    -0.606787    0.256638
1    -1.333439    -0.335560
#df2数据源如下
    A            B
0    -0.606787    0.256638
1    -1.333439    -0.335560
df1.append(df2)
#运算结果如下：
    A            B
0    0.966491    -0.316075
1    -0.298886    1.016128
0    0.592691    0.478276
1    1.117325    1.294424
 
#其实以上方法，效果等同于concat的默认行为
pd.concat(df1,df2)

#df源数据如下
    A            B
0    -0.606787    0.256638
1    -1.333439    -0.335560
df.assign(C=[1,2])
#结果如下：
    A            B            C
0    -0.606787    0.256638    1
1    -1.333439    -0.335560    2
 
#以上操作等同于如下操作，并且相对来说更加直观
df['C']=[1,2]