python科学计算笔记（十三）pandas的merge、concat合并数据集

本篇博客主要介绍：

合并数据集：.merge()、.concat()等方法，类似于SQL或其他关系型数据库的连接操作。

合并数据集

1） merge 函数参数

参数说明left参与合并的左侧DataFrameright参与合并的右侧DataFramehow连接方式：‘inner’（默认）；还有，‘outer’、‘left’、‘right’on用于连接的列名，必须同时存在于左右两个DataFrame对象中，如果位指定，则以left和right列名的交集作为连接键left_on左侧DataFarme中用作连接键的列right_on右侧DataFarme中用作连接键的列left_index将左侧的行索引用作其连接键right_index将右侧的行索引用作其连接键sort根据连接键对合并后的数据进行排序，默认为True。有时在处理大数据集时，禁用该选项可获得更好的性能suffixes字符串值元组，用于追加到重叠列名的末尾，默认为（‘_x’,‘_y’）.例如，左右两个DataFrame对象都有‘data’，则结果中就会出现‘data_x’，‘data_y’copy设置为False，可以在某些特殊情况下避免将数据复制到结果数据结构中。默认总是赋值

1、多对一的合并（一个表的连接键列有重复值，另一个表中的连接键没有重复值）

import pandas as pdimport numpy as npdf1 = pd.DataFrame({'key':['b','b','a','c','a','a','b'],'data1': range(7)})df1

 data1key00b11b22a33c44a55a66b

df2 = pd.DataFrame({'key':['a','b','d'],'data2':range(3)})df2

 data2key00a11b22d

pd.merge(df1,df2)#默认情况

 data1keydata200b111b126b132a044a055a0

df1.merge(df2)

 data1keydata200b111b126b132a044a055a0

df1.merge(df2,on = 'key',how = 'inner')#内连接，取交集

 data1keydata200b111b126b132a044a055a0

df1.merge(df2,on = 'key',how = 'outer')#外链接，取并集，并用nan填充

 data1keydata200.0b1.011.0b1.026.0b1.032.0a0.044.0a0.055.0a0.063.0cNaN7NaNd2.0

df1.merge(df2,on = 'key',how = 'left')#左连接，左侧DataFrame取全部，右侧DataFrame取部分

 data1keydata200b1.011b1.022a0.033cNaN44a0.055a0.066b1.0

df1.merge(df2,on = 'key',how = 'right')#右连接，右侧DataFrame取全部，左侧DataFrame取部分

 data1keydata200.0b111.0b126.0b132.0a044.0a055.0a06NaNd2

如果左右侧DataFrame的连接键列名不一致，但是取值有重叠，可使用left_on、right_on来指定左右连接键

df3 = pd.DataFrame({'lkey':['b','b','a','c','a','a','b'],'data1': range(7)})df3

 data1lkey00b11b22a33c44a55a66b

df4 = pd.DataFrame({'rkey':['a','b','d'],'data2':range(3)})df4

 data2rkey00a11b22d

df3.merge(df4,left_on = 'lkey',right_on = 'rkey',how = 'inner')

 data1lkeydata2rkey00b1b11b1b26b1b32a0a44a0a55a0a

2、多对多的合并（一个表的连接键列有重复值，另一个表中的连接键有重复值）

df1 = pd.DataFrame({'key':['b','b','a','c','a','a','b'],'data1': range(7)})df1

 data1key00b11b22a33c44a55a66b

df5 = pd.DataFrame({'key':['a','b','a','b','b'],'data2': range(5)})df5

 data2key00a11b22a33b44b

df1.merge(df5)

 data1keydata200b110b320b431b141b351b466b176b386b492a0102a2114a0124a2135a0145a2

合并小结

1）默认情况下，会将两个表中相同列名作为连接键

2）多对多，会采用笛卡尔积形式链接（左表连接键有三个值‘1，3，5’，右表有两个值‘2，3’，则会形成，（1，2）（1，3）（3，1），（3，2）。。。6种组合）

3）存在多个连接键的处理

left = pd.DataFrame({'key1':['foo','foo','bar'],'key2':['one','one','two'],'lval':[1,2,3]})right = pd.DataFrame({'key1':['foo','foo','bar','bar'],'key2':['one','one','one','two'],'rval':[4,5,6,7]})

left

 key1key2lval0fooone11fooone22bartwo3

right

 key1key2rval0fooone41fooone52barone63bartwo7

pd.merge(left,right,on = ['key1','key2'],how = 'outer')

 key1key2lvalrval0fooone1.041fooone1.052fooone2.043fooone2.054bartwo3.075baroneNaN6

1）连接键是多对多关系，应执行笛卡尔积形式

2）多列应看连接键值对是否一致

4）对连接表中非连接列的重复列名的处理

pd.merge(left,right,on = 'key1')

 key1key2_xlvalkey2_yrval0fooone1one41fooone1one52fooone2one43fooone2one54bartwo3one65bartwo3two7

pd.merge(left,right,on = 'key1',suffixes = ('_left','_right'))

 key1key2_leftlvalkey2_rightrval0fooone1one41fooone1one52fooone2one43fooone2one54bartwo3one65bartwo3two7

2）索引上的合并

当连接键位于索引中时，成为索引上的合并，可以通过merge函数，传入left_index、right_index来说明应该被索引的情况。

1. 一表中连接键是索引列、另一表连接键是非索引列

left1 = pd.DataFrame({'key':['a','b','a','a','b','c'],'value': range(6)})left1

 keyvalue0a01b12a23a34b45c5

right1 = pd.DataFrame({'group_val':[3.5,7]},index = ['a','b'])right1

 group_vala3.5b7.0

pd.merge(left1,right1,left_on = 'key',right_index = True)

 keyvaluegroup_val0a03.52a23.53a33.51b17.04b47.0

有上可知，left_on、right_on是指定表中非索引列为连接键，left_index、right_index是指定表中索引列为连接键，两者可以组合，是为了区分是否是索引列

1. 两个表中的索引列都是连接键

left2 = pd.DataFrame(np.arange(6).reshape(3,2),index = ['a','b','e'],columns = ['0hio','nevada'])right2 = pd.DataFrame(np.arange(7,15).reshape(4,2),index = ['b','c','d','e'],columns = ['misso','ala'])left2

 0hionevadaa01b23e45

right2

 missoalab78c910d1112e1314

pd.merge(left2,right2,left_index = True,right_index = True,how = 'outer')

 0hionevadamissoalaa0.01.0NaNNaNb2.03.07.08.0cNaNNaN9.010.0dNaNNaN11.012.0e4.05.013.014.0

3）轴向连接

在这里展示一种新的连接方法，对应于numpy的concatenate函数，pandas有concat函数

#numpyarr =np.arange(12).reshape(3,4)

arr

    array([[ 0,  1,  2,  3],           [ 4,  5,  6,  7],           [ 8,  9, 10, 11]])

np.concatenate([arr,arr],axis = 1)#横轴连接块

    array([[ 0,  1,  2,  3,  0,  1,  2,  3],           [ 4,  5,  6,  7,  4,  5,  6,  7],           [ 8,  9, 10, 11,  8,  9, 10, 11]])

concat函数参数表格

参数说明objs参与连接的列表或字典，且列表或字典里的对象是pandas数据类型，唯一必须给定的参数axis=0指明连接的轴向，0是纵轴，1是横轴，默认是0join‘inner’（交集），‘outer’（并集），默认是‘outer’指明轴向索引的索引是交集还是并集join_axis指明用于其他n-1条轴的索引（层次化索引，某个轴向有多个索引），不执行交并集keys与连接对象有关的值，用于形成连接轴向上的层次化索引（外层索引），可以是任意值的列表或数组、元组数据、数组列表（如果将levels设置成多级数组的话）levels指定用作层次化索引各级别（内层索引）上的索引，如果设置keys的话names用于创建分层级别的名称，如果设置keys或levels的话verify_integrity检查结果对象新轴上的重复情况，如果发横则引发异常，默认False，允许重复ignore_index不保留连接轴上的索引，产生一组新索引range（total_length）

s1 = pd.Series([0,1,2],index = ['a','b','c'])s2 = pd.Series([2,3,4],index = ['c','f','e'])s3 = pd.Series([4,5,6],index = ['c','f','g'])

pd.concat([s1,s2,s3])#默认并集、纵向连接

a 0 b 1 c 2 c 2 f 3 e 4 c 4 f 5 g 6 dtype: int64

pd.concat([s1,s2,s3],ignore_index = True)#生成纵轴上的并集，索引会自动生成新的一列

0 0 1 1 2 2 3 2 4 3 5 4 6 4 7 5 8 6 dtype: int64

pd.concat([s1,s2,s3],axis = 1,join = 'inner')#纵向取交集,注意该方法对对象表中有重复索引时失效

 012c224

pd.concat([s1,s2,s3],axis = 1,join = 'outer')#横向索引取并集，纵向索引取交集,注意该方法对对象表中有重复索引时失效

 012a0.0NaNNaNb1.0NaNNaNc2.02.04.0eNaN4.0NaNfNaN3.05.0gNaNNaN6.0

concat函数小结

1）纵向连接，ignore_index = False ,可能生成重复的索引

2）横向连接时，对象索引不能重复

4）合并重叠数据

适用范围：

1）当两个对象的索引有部分或全部重叠时

2）用参数对象中的数据为调用者对象的缺失数据‘打补丁’

a = pd.Series([np.nan,2.5,np.nan,3.5,4.5,np.nan],index = ['a','b','c','d','e','f'])b = pd.Series(np.arange(len(a)),index = ['a','b','c','d','e','f'])

a

a    NaNb    2.5c    NaNd    3.5e    4.5f    NaNdtype: float64

b

a    0b    1c    2d    3e    4f    5dtype: int32

a.combine_first(b)#利用b填补了a的空值

a    0.0b    2.5c    2.0d    3.5e    4.5f    5.0dtype: float64

a = pd.Series([np.nan,2.5,np.nan,3.5,4.5,np.nan],index = ['g','b','c','d','e','f'])

a.combine_first(b)#部分索引重叠

a    0.0b    2.5c    2.0d    3.5e    4.5f    5.0g    NaNdtype: float64

小结

本篇博客主要讲述了一下内容：

1） merge函数合并数据集

2）concat函数合并数据集

3）combine_first函数，含有重叠索引的缺失值填补