怎么使用Pandas.concat连接DataFrame和Series

这篇文章主要介绍了怎么使用pandas.concat连接DataFrame和Series的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇怎么使用Pandas.concat连接DataFrame和Series文章都会有所收获，下面我们一起来看看吧。

pandas.concat的基本用法（）
指定要连接的对象：objs
连接方向的指定（垂直/水平）：axis
指定连接方法（外部连接/内部连接）：join
pandas.DataFrame的连接
pandas.Series的连接
pandas.DataFrame和pandas.Series的连接
使用以下的pandas.DataFrame和pandas.Series为例。

import pandas as pddf1 = pd.DataFrame({'A': ['A1', 'A2', 'A3'],                    'B': ['B1', 'B2', 'B3'],                    'C': ['C1', 'C2', 'C3']},                   index=['ONE', 'TWO', 'THREE'])print(df1)#         A   B   C# ONE    A1  B1  C1# TWO    A2  B2  C2# THREE  A3  B3  C3Df2 = pd.DataFrame({'C': ['C2', 'C3', 'C4'],                    'D': ['D2', 'D3', 'D4']},                   index=['TWO', 'THREE', 'FOUR'])print(df2)#         C   D# TWO    C2  D2# THREE  C3  D3# FOUR   C4  D4s1 = pd.Series(['X1', 'X2', 'X3'], index=['ONE', 'TWO', 'THREE'], name='X')print(s1)# ONE      X1# TWO      X2# THREE    X3# Name: X, dtype: objects2 = pd.Series(['Y2', 'Y3', 'Y4'], index=['TWO', 'THREE', 'FOUR'], name='Y')print(s2)# TWO      Y2# THREE    Y3# FOUR     Y4# Name: Y, dtype: object

pandas.concat的基本用法（）
指定要连接的对象：objs
通过参数objs指定要连接的pandas.DataFrame和pandas.Series，指定类型为列表或元组。

df_concat = pd.concat([df1, df2])print(df_concat)#          A    B   C    D# ONE     A1   B1  C1  NaN# TWO     A2   B2  C2  NaN# THREE   A3   B3  C3  NaN# TWO    NaN  NaN  C2   D2# THREE  NaN  NaN  C3   D3# FOUR   NaN  NaN  C4   D4

要连接的对象的数量不限于两个，可以是三个或更多。

df_concat_multi = pd.concat([df1, df2, df1])print(df_concat_multi)#          A    B   C    D# ONE     A1   B1  C1  NaN# TWO     A2   B2  C2  NaN# THREE   A3   B3  C3  NaN# TWO    NaN  NaN  C2   D2# THREE  NaN  NaN  C3   D3# FOUR   NaN  NaN  C4   D4# ONE     A1   B1  C1  NaN# TWO     A2   B2  C2  NaN# THREE   A3   B3  C3  NaN

结果是创建了一个新的对象，原始对象保持不变。

连接方向的指定（垂直/水平）：axis
垂直或水平方向由axis参数指定。 如果axis = 0，则它们是垂直链接的。默认设置为axis = 0，因此可以省略不写。

df_v = pd.concat([df1, df2], axis=0)print(df_v)#          A    B   C    D# ONE     A1   B1  C1  NaN# TWO     A2   B2  C2  NaN# THREE   A3   B3  C3  NaN# TWO    NaN  NaN  C2   D2# THREE  NaN  NaN  C3   D3# FOUR   NaN  NaN  C4   D4

axis = 1，水平方向上连接。

df_h = pd.concat([df1, df2], axis=1)print(df_h)#          A    B    C    C    D# ONE     A1   B1   C1  NaN  NaN# TWO     A2   B2   C2   C2   D2# THREE   A3   B3   C3   C3   D3# FOUR   NaN  NaN  NaN   C4   D4

指定连接方法（外部连接/内部连接）：join
参数join:指定列名（或行名）的并集，或者仅将公共部分保留。

join ='outer’是外部连接。列名（或行名）形成一个联合，保留所有列（或行）。它是默认设置，因此可以省略不写。在这种情况下，原始对象中列（或行）不存在的值将由的缺少值NaN代替。

join ='inner’是内部连接。仅保留具有相同列名（或行名）的列（或行）。

df_v_out = pd.concat([df1, df2], join='outer')print(df_v_out)#          A    B   C    D# ONE     A1   B1  C1  NaN# TWO     A2   B2  C2  NaN# THREE   A3   B3  C3  NaN# TWO    NaN  NaN  C2   D2# THREE  NaN  NaN  C3   D3# FOUR   NaN  NaN  C4   D4df_v_in = pd.concat([df1, df2], join='inner')print(df_v_in)#         C# ONE    C1# TWO    C2# THREE  C3# TWO    C2# THREE  C3# FOUR   C4

水平方向。

df_h_out = pd.concat([df1, df2], axis=1, join='outer')print(df_h_out)#          A    B    C    C    D# FOUR   NaN  NaN  NaN   C4   D4# ONE     A1   B1   C1  NaN  NaN# THREE   A3   B3   C3   C3   D3# TWO     A2   B2   C2   C2   D2df_h_in = pd.concat([df1, df2], axis=1, join='inner')print(df_h_in)#         A   B   C   C   D# TWO    A2  B2  C2  C2  D2# THREE  A3  B3  C3  C3  D3

01_Pandas.DataFrame的行名和列名的修改

pandas.DataFrame的连接
将pandas.DataFrames连接在一起时，返回的也是pandas.DataFrame类型的对象。

df_concat = pd.concat([df1, df2])print(df_concat)#          A    B   C    D# ONE     A1   B1  C1  NaN# TWO     A2   B2  C2  NaN# THREE   A3   B3  C3  NaN# TWO    NaN  NaN  C2   D2# THREE  NaN  NaN  C3   D3# FOUR   NaN  NaN  C4   D4print(type(df_concat))# <class 'pandas.core.frame.DataFrame'>

pandas.Series的连接
如果是pandas.Series之间的连接，则垂直连接（默认值axis= 0）返回的也是pandas.Series类型的对象。

s_v = pd.concat([s1, s2])print(s_v)# ONE      X1# TWO      X2# THREE    X3# TWO      Y2# THREE    Y3# FOUR     Y4# dtype: objectprint(type(s_v))# <class 'pandas.core.series.Series'>

axis = 1时，水平方向连接，返回pandas.DataFrame类型的对象。

s_h = pd.concat([s1, s2], axis=1)print(s_h)#          X    Y# FOUR   NaN   Y4# ONE     X1  NaN# THREE   X3   Y3# TWO     X2   Y2print(type(s_h))# <class 'pandas.core.frame.DataFrame'>

也可以使用参数join。

s_h_in = pd.concat([s1, s2], axis=1, join='inner')print(s_h_in)#         X   Y# TWO    X2  Y2# THREE  X3  Y3

pandas.DataFrame和pandas.Series的连接
对于pandas.DataFrame和pandas.Series连接，水平连接（axis= 1）将pandas.Series添加为新列。列名称是pandas.Series的名称。

df_s_h = pd.concat([df1, s2], axis=1)print(df_s_h)#          A    B    C    Y# FOUR   NaN  NaN  NaN   Y4# ONE     A1   B1   C1  NaN# THREE   A3   B3   C3   Y3# TWO     A2   B2   C2   Y2

也可以使用参数join。

df_s_h_in = pd.concat([df1, s2], axis=1, join='inner')print(df_s_h_in)#         A   B   C   Y# TWO    A2  B2  C2  Y2# THREE  A3  B3  C3  Y3

垂直连接（axis = 0）。

df_s_v = pd.concat([df1, s2])print(df_s_v)#          A    B    C    0# ONE     A1   B1   C1  NaN# TWO     A2   B2   C2  NaN# THREE   A3   B3   C3  NaN# TWO    NaN  NaN  NaN   Y2# THREE  NaN  NaN  NaN   Y3# FOUR   NaN  NaN  NaN   Y4

添加行，可以在.loc中指定新的行名称并分配值，或使用append（）方法。

df1.loc['FOUR'] = ['A4', 'B4', 'C4']print(df1)#         A   B   C# ONE    A1  B1  C1# TWO    A2  B2  C2# THREE  A3  B3  C3# FOUR   A4  B4  C4s = pd.Series(['A5', 'B5', 'C5'], index=df1.columns, name='FIVE')print(s)# A    A5# B    B5# C    C5# Name: FIVE, dtype: objectdf_append = df1.append(s)print(df_append)#         A   B   C# ONE    A1  B1  C1# TWO    A2  B2  C2# THREE  A3  B3  C3# FOUR   A4  B4  C4# FIVE   A5  B5  C5

关于“怎么使用Pandas.concat连接DataFrame和Series”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“怎么使用Pandas.concat连接DataFrame和Series”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注编程网精选频道。