pandas基础操作大全之数据合并

在pandas 基础操作大全之数据读取&清洗&分析中介绍了pandas常见的数据处理操作，现在继续对pandas常用的数据合并操作做下介绍，便于大家快速了解，也方便后续需要时快速查询。

1.1 概述

#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
)


1.2 指定合并的轴方向--axis

#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

1.3 指定合并轴另外一个轴标签是否合并--join

#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

1.4 指定合并轴原标签是否需要变化--ignore_index

#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


1.5 指定合并轴方向新的index，便于区分数据--keys

该参数类似于分组的效果

#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

1.6 指定合并轴方向新的index 的含义名称，一般和keys一起使用，让合并后的数据更直观--names

#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

1.7 指定合并时是否允许合并轴上有重复标签--verify_integrity

#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二、 merge--数据连接

merge类似SQL中的连表操作，即通过两个DataFrame共有的列，作为key，将表在横向连接起来，主要用于拓展数据信息，比如多个DataFrame，均只记录了自己关心的完整数据的一部分，希望通过某一共同列，连表，最终形成较为完成的数据信息，是一种非常有用的连接方式

2.1 概述

#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')
)

2.2 指定键值列进行连表--on参数

#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

2.3 指定数据连接方式--how参数

#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

2.4 设置使用行索引作为连接key--left_index及right_index参数

#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

2.5 设置有相同列时自动加后缀--suffixes

#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 研究生三、 join

join整体功能与merge类似，也与SQL中的join语法功能和表现完全一样，只不过join可以高效的连接多个DataFrame，而merge只能连接两个，相当于join的快捷方式，join连接时默认使用行index进行连接，但也可以指定类似merge使用列标签连表。

3.1 概述

#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）
)


3.2 行索引连接--无重复列标签

#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

3.3 行索引连接--有重复列标签

#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

3.4 列标签链接--列标签不相同，但内容有相同

#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

3.5 列标签链接--列标签有相同，内容有相同

#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

3.6 列标签链接--列标签和列内容均不相同

此时，无法使用列标签连接两个DataFrame

3.7 join和merge主要异同

1. 相同点：
   1. 连接方式的枚举相同，即均可以通过how指定连接方式，有left、right、inner、outer四种方式，效果也一样
   2. 在用列标签连接时，均可以通过on设置连接的列标签key
   3. 均可以以列标签或行索引进行连表，只不过默认的方式不一样
      1. merger默认是列标签连接，可通过设置left_index和right_index为True，切换为按照行索引连表
      2. join默认是行索引连表，可通过设置on切换为按照列标签连接
2. 不同点：
   1. 默认连接轴方向不同，merge默认按照列标签连接，join默认按照行index连接
   2. 可连接DataFrame数量不同，merge只能连接2个，join可一次性连接多个列标签均不相同的DataFrame，如果列标签有相同，则只能连2个

该方法主要是对存量的DataFrame添加新的行，或者直接将另外一个DataFrame按0轴（按行）合并到现有的DataFrame上，并且要求两个DataFrame的列数完全相等

该方法在比如需要对多个列数相同的数据进行合并分析时较为有用，不过直接使用pd.concat(df1,df2)也能达到目的，只是append用法可能更为直观些

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)五、 assign

该方法主要是对存量的DataFrame添加新的列，并且要求新增的列，对应的Series长度需与存量数据相同

该方法用的比较少，因为如果想增加新的列，有更快捷的方式，此处只是罗列说明

#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]