gấu trúc cung cấp nhiều phương tiện khác nhau để dễ dàng kết hợp Sê-ri hoặc Khung dữ liệu với nhiều loại logic thiết lập khác nhau cho các chỉ mục và chức năng đại số quan hệ trong trường hợp hoạt động kiểu nối/hợp nhất
Ngoài ra pandas còn cung cấp tiện ích so sánh 2 Series hoặc DataFrame và tóm tắt sự khác biệt của chúng
Nối các đối tượng #
Hàm
19 [trong không gian tên gấu trúc chính] thực hiện tất cả các công việc nặng nhọc khi thực hiện các thao tác nối dọc theo một trục trong khi thực hiện logic thiết lập tùy chọn [liên kết hoặc giao nhau] của các chỉ mục [nếu có] trên các trục khác. Lưu ý rằng tôi nói “nếu có” bởi vì chỉ có một trục nối duy nhất có thể có cho Sê-ri
Trước khi đi sâu vào tất cả các chi tiết của
20 và những gì nó có thể làm, đây là một ví dụ đơn giản
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]
Giống như chức năng anh chị em của nó trên ndarrays,
21,
22 lấy một danh sách hoặc lệnh của các đối tượng được nhập đồng nhất và nối chúng với một số cách xử lý có thể định cấu hình “phải làm gì với các trục khác”
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]
Không có một chút ngữ cảnh, nhiều lập luận trong số này không có nhiều ý nghĩa. Hãy xem lại ví dụ trên. Giả sử chúng tôi muốn liên kết các khóa cụ thể với từng phần của DataFrame được chia nhỏ. Chúng ta có thể làm điều này bằng cách sử dụng đối số
24
8
Như bạn có thể thấy [nếu bạn đã đọc phần còn lại của tài liệu], chỉ mục của đối tượng kết quả có chỉ mục phân cấp . Điều này có nghĩa là bây giờ chúng ta có thể chọn ra từng đoạn theo khóa.
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]0
Không khó để thấy điều này có thể rất hữu ích như thế nào. Chi tiết hơn về chức năng này dưới đây
Ghi chú
Điều đáng chú ý là
19 [và do đó
35] tạo một bản sao đầy đủ của dữ liệu và việc liên tục sử dụng lại chức năng này có thể tạo ra hiệu suất đáng kể. Nếu bạn cần sử dụng thao tác trên một số bộ dữ liệu, hãy sử dụng cách hiểu danh sách
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]3
Ghi chú
Khi nối các Khung dữ liệu với các trục được đặt tên, gấu trúc sẽ cố gắng giữ nguyên các tên chỉ mục/cột này bất cứ khi nào có thể. Trong trường hợp tất cả các yếu tố đầu vào chia sẻ một tên chung, tên này sẽ được gán cho kết quả. Khi các tên đầu vào không đồng ý, kết quả sẽ không được đặt tên. Điều này cũng đúng với
36, nhưng logic được áp dụng riêng theo từng cấp độ
Đặt logic trên các trục khác#
Khi dán nhiều DataFrame lại với nhau, bạn có thể lựa chọn cách xử lý các trục khác [không phải là trục được nối]. Điều này có thể được thực hiện theo hai cách sau
Hãy hợp nhất tất cả,
Đi đến ngã tư,
Dưới đây là một ví dụ về từng phương pháp này. Đầu tiên, hành vi
37 mặc định
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]8
Đây là điều tương tự với
38
1
Cuối cùng, giả sử chúng tôi chỉ muốn sử dụng lại chỉ mục chính xác từ DataFrame ban đầu
1
Tương tự, chúng ta có thể lập chỉ mục trước khi nối
2
Bỏ qua các chỉ mục trên trục nối #
Đối với các đối tượng
41 không có chỉ mục có ý nghĩa, bạn có thể nối thêm chúng và bỏ qua thực tế là chúng có thể có các chỉ mục chồng chéo. Để làm điều này, hãy sử dụng đối số
27
4
Kết nối với ndims hỗn hợp #
Bạn có thể nối kết hợp các đối tượng
43 và
41.
43 sẽ được chuyển đổi thành
41 với tên cột là tên của
43
6
Ghi chú
Vì chúng tôi đang nối một
43 với một
41, nên chúng tôi có thể đạt được kết quả tương tự với
50. Để nối một số đối tượng gấu trúc tùy ý [
41 hoặc
43], hãy sử dụng
20
Nếu
43 không tên được thông qua, chúng sẽ được đánh số liên tiếp
8
Vượt qua
55 sẽ loại bỏ tất cả các tham chiếu tên
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]0
Kết nối nhiều hơn với các phím nhóm #
Một cách sử dụng khá phổ biến của đối số
24 là ghi đè tên cột khi tạo một
41 mới dựa trên
43 hiện có. Lưu ý cách hành vi mặc định bao gồm việc cho phép kết quả
41 kế thừa tên của cha mẹ
43, khi chúng tồn tại
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]2
Thông qua đối số
24, chúng ta có thể ghi đè các tên cột hiện có
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]3
Hãy xem xét một biến thể của ví dụ đầu tiên được trình bày
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]4
Bạn cũng có thể chuyển một lệnh tới
20 trong trường hợp đó, các phím chính tả sẽ được sử dụng cho đối số
24 [trừ khi các phím khác được chỉ định]
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]6
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]8
MultiIndex được tạo có các mức được xây dựng từ các khóa đã truyền và chỉ mục của các phần
41
80
Nếu bạn muốn chỉ định các cấp độ khác [đôi khi sẽ xảy ra trường hợp này], bạn có thể làm như vậy bằng cách sử dụng đối số
29
81
83
Điều này khá bí truyền, nhưng nó thực sự cần thiết để triển khai những thứ như GroupBy trong đó thứ tự của một biến phân loại có ý nghĩa
Nối các hàng vào DataFrame#
Nếu bạn có một chuỗi mà bạn muốn nối dưới dạng một hàng vào một
41, bạn có thể chuyển đổi hàng đó thành một
41 và sử dụng
20
84
Bạn nên sử dụng
27 với phương pháp này để hướng dẫn DataFrame loại bỏ chỉ mục của nó. Nếu bạn muốn duy trì chỉ mục, bạn nên xây dựng một DataFrame được lập chỉ mục phù hợp và nối thêm hoặc nối các đối tượng đó
DataFrame kiểu cơ sở dữ liệu hoặc nối/hợp nhất sê-ri có tên #
pandas có các hoạt động nối trong bộ nhớ đầy đủ tính năng, hiệu suất cao rất giống với các cơ sở dữ liệu quan hệ như SQL. Các phương pháp này hoạt động tốt hơn đáng kể [trong một số trường hợp tốt hơn nhiều so với mức độ lớn] so với các triển khai mã nguồn mở khác [như
70 trong R]. Lý do cho điều này là do thiết kế thuật toán cẩn thận và bố cục bên trong của dữ liệu trong
41
Xem sách dạy nấu ăn để biết một số chiến lược nâng cao.
Người dùng quen thuộc với SQL nhưng mới sử dụng pandas có thể quan tâm đến so sánh với SQL .
pandas cung cấp một chức năng duy nhất,
72, làm điểm vào cho tất cả các thao tác nối cơ sở dữ liệu tiêu chuẩn giữa các đối tượng
41 hoặc tên là
43
86
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]
01. Thêm một cột vào DataFrame đầu ra có tên làpd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]
02 với thông tin về nguồn của mỗi hàng.pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]
02 là loại Phân loại và nhận giá trị làpd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]
04 đối với các quan sát có khóa hợp nhất chỉ xuất hiện trongpd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]
06 đối với các quan sát có khóa hợp nhất chỉ xuất hiện trongpd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]
08 nếu khóa hợp nhất của quan sát được tìm thấy trong cả haipd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]
09. chuỗi, mặc định Không có. Nếu được chỉ định, kiểm tra xem hợp nhất có thuộc loại được chỉ định không“one_to_one” hoặc “1. 1”. kiểm tra xem các khóa hợp nhất có phải là duy nhất trong cả bộ dữ liệu bên trái và bên phải không
“one_to_many” hoặc “1. m”. kiểm tra xem các khóa hợp nhất có phải là duy nhất trong tập dữ liệu bên trái không
“many_to_one” hoặc “m. 1”. kiểm tra xem các khóa hợp nhất có phải là duy nhất trong tập dữ liệu bên phải không
“many_to_many” hoặc “m. m”. được phép, nhưng không dẫn đến kiểm tra
Ghi chú
Hỗ trợ chỉ định các mức chỉ mục dưới dạng tham số
77,
81 và
82 đã được thêm vào trong phiên bản 0. 23. 0. Hỗ trợ hợp nhất các đối tượng có tên
43 đã được thêm vào trong phiên bản 0. 24. 0
Kiểu trả về sẽ giống như
75. Nếu
75 là một
41 hoặc có tên là
43 và
76 là một phân lớp của
41, kiểu trả về vẫn sẽ là
41
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]21 là một hàm trong không gian tên pandas và nó cũng có sẵn dưới dạng phương thức đối tượng
41
72, với cách gọi
41 được coi là đối tượng bên trái trong liên kết
Phương thức
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]25 có liên quan, sử dụng nội bộ
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]21 cho liên kết chỉ mục trên chỉ mục [theo mặc định] và [các] cột trên chỉ mục. Nếu bạn chỉ tham gia theo chỉ mục, bạn có thể sử dụng
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]27 để tiết kiệm thời gian nhập liệu
Sơ lược về các phương pháp hợp nhất [đại số quan hệ]#
Người dùng có kinh nghiệm về cơ sở dữ liệu quan hệ như SQL sẽ quen thuộc với thuật ngữ được sử dụng để mô tả các hoạt động nối giữa hai cấu trúc giống như bảng SQL [đối tượng ____041]. Có một số trường hợp cần xem xét rất quan trọng để hiểu
tham gia một đối một. ví dụ: khi nối hai đối tượng
liên kết nhiều-một. ví dụ: khi nối một chỉ mục [duy nhất] với một hoặc nhiều cột trong một
liên kết nhiều-nhiều. nối cột trên cột
Ghi chú
Khi nối các cột trên các cột [có thể là nối nhiều-nhiều], mọi chỉ mục trên các đối tượng
41 đã truyền sẽ bị loại bỏ
Rất đáng để dành thời gian tìm hiểu kết quả của trường hợp tham gia nhiều-nhiều. Trong SQL/đại số quan hệ tiêu chuẩn, nếu một tổ hợp phím xuất hiện nhiều lần trong cả hai bảng, thì bảng kết quả sẽ có tích Descartes của dữ liệu được liên kết. Đây là một ví dụ rất cơ bản với một tổ hợp phím duy nhất
87
Đây là một ví dụ phức tạp hơn với nhiều phím tham gia. Chỉ có các khóa xuất hiện trong
75 và
76 [giao điểm], vì
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]34 theo mặc định
89
Đối số
87 của
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]21 chỉ định cách xác định khóa nào sẽ được đưa vào bảng kết quả. Nếu tổ hợp phím không xuất hiện trong bảng bên trái hoặc bên phải, các giá trị trong bảng đã tham gia sẽ là
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]37. Dưới đây là tóm tắt về các tùy chọn
87 và tên tương đương SQL của chúng
phương pháp hợp nhất
Tên tham gia SQL
Sự miêu tả
75
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]40
Chỉ sử dụng các phím từ khung bên trái
76
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]42
Chỉ sử dụng các phím từ khung bên phải
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]43
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]44
Sử dụng liên kết các phím từ cả hai khung
93
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]46
Sử dụng giao điểm của các phím từ cả hai khung
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]47
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]48
Tạo sản phẩm cartesian của các hàng của cả hai khung
1
3
5
7
9
Bạn có thể hợp nhất Sê-ri nhiều chỉ mục và Khung dữ liệu, nếu tên của Đa chỉ mục tương ứng với các cột từ Khung dữ liệu. Chuyển đổi Sê-ri thành Khung dữ liệu bằng cách sử dụng
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]49 trước khi hợp nhất, như trong ví dụ sau
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]01
Đây là một ví dụ khác với các khóa tham gia trùng lặp trong DataFrames
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]02
Cảnh báo
Tham gia/hợp nhất trên các khóa trùng lặp có thể gây ra khung trả về là phép nhân của kích thước hàng, điều này có thể dẫn đến tràn bộ nhớ. Người dùng có trách nhiệm quản lý các giá trị trùng lặp trong các khóa trước khi tham gia các Khung dữ liệu lớn
Đang kiểm tra các khóa trùng lặp#
Người dùng có thể sử dụng đối số
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]09 để tự động kiểm tra xem có trùng lặp không mong muốn trong các khóa hợp nhất của họ hay không. Tính duy nhất của khóa được kiểm tra trước các hoạt động hợp nhất và do đó sẽ bảo vệ chống tràn bộ nhớ. Kiểm tra tính duy nhất của khóa cũng là một cách hay để đảm bảo cấu trúc dữ liệu người dùng như mong đợi
Trong ví dụ sau, có các giá trị trùng lặp của
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]51 ở bên phải
41. Vì đây không phải là hợp nhất một đối một – như được chỉ định trong đối số
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]09 – một ngoại lệ sẽ được đưa ra
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]04
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]05
Nếu người dùng biết về các bản sao trong
41 bên phải nhưng muốn đảm bảo không có bản sao nào trong DataFrame bên trái, người dùng có thể sử dụng đối số
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]55 để thay thế, điều này sẽ không gây ra ngoại lệ
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]06
Chỉ số hợp nhất #
72 chấp nhận đối số
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]01. Nếu
84, một cột kiểu Phân loại có tên là
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]02 sẽ được thêm vào đối tượng đầu ra nhận các giá trị
Nguồn gốc quan sát
giá trị
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]02Hợp nhất phím chỉ trong khung
88pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]04Chỉ hợp nhất khóa trong khung
89pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]06Hợp nhất phím trong cả hai khung
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]08
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]07
Đối số
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]01 cũng sẽ chấp nhận các đối số chuỗi, trong trường hợp đó, hàm chỉ báo sẽ sử dụng giá trị của chuỗi đã truyền làm tên cho cột chỉ báo
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]08
Hợp nhất dtypes#
Hợp nhất sẽ bảo toàn dtype của các phím tham gia
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]09
Chúng tôi có thể bảo tồn các khóa tham gia
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]30
Tất nhiên, nếu bạn thiếu các giá trị được giới thiệu, thì dtype kết quả sẽ được cập nhật
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]31
Việc hợp nhất sẽ giữ nguyên
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]67 dtypes của việc hợp nhất. Xem thêm phần về danh mục .
khung bên trái
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]32
khung bên phải
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]33
Kết quả hợp nhất
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]34
Ghi chú
Các loại danh mục phải hoàn toàn giống nhau, nghĩa là cùng danh mục và thuộc tính được sắp xếp. Nếu không, kết quả sẽ ép buộc vào dtype của danh mục
Ghi chú
Hợp nhất ________ 667 dtypes giống nhau có thể khá hiệu quả so với hợp nhất ________ 669 dtype
Tham gia vào chỉ số #
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]70 là một phương pháp thuận tiện để kết hợp các cột của hai
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]71 có khả năng được lập chỉ mục khác nhau thành một kết quả duy nhất
41. Đây là một ví dụ rất cơ bản
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]35
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]37
Tương tự như trên, nhưng với
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]34
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]39
Căn chỉnh dữ liệu ở đây là trên các chỉ mục [nhãn hàng]. Hành vi tương tự này có thể đạt được bằng cách sử dụng
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]21 cùng với các đối số bổ sung hướng dẫn nó sử dụng các chỉ mục
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]81
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]83
Tham gia các cột chính trên một chỉ mục #
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]25 nhận một đối số tùy chọn
77 có thể là một cột hoặc nhiều tên cột, xác định rằng
41 đã qua sẽ được căn chỉnh trên cột đó trong
41. Hai lệnh gọi hàm này hoàn toàn tương đương
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]85
Rõ ràng bạn có thể chọn bất kỳ hình thức nào bạn thấy thuận tiện hơn. Đối với các phép nối nhiều người [trong đó một trong số các
41 đã được lập chỉ mục bằng khóa nối], sử dụng
26 có thể thuận tiện hơn. Đây là một ví dụ đơn giản
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]86
In [1]: df1 = pd.DataFrame[ ...: { ...: "A": ["A0", "A1", "A2", "A3"], ...: "B": ["B0", "B1", "B2", "B3"], ...: "C": ["C0", "C1", "C2", "C3"], ...: "D": ["D0", "D1", "D2", "D3"], ...: }, ...: index=[0, 1, 2, 3], ...: ] ...: In [2]: df2 = pd.DataFrame[ ...: { ...: "A": ["A4", "A5", "A6", "A7"], ...: "B": ["B4", "B5", "B6", "B7"], ...: "C": ["C4", "C5", "C6", "C7"], ...: "D": ["D4", "D5", "D6", "D7"], ...: }, ...: index=[4, 5, 6, 7], ...: ] ...: In [3]: df3 = pd.DataFrame[ ...: { ...: "A": ["A8", "A9", "A10", "A11"], ...: "B": ["B8", "B9", "B10", "B11"], ...: "C": ["C8", "C9", "C10", "C11"], ...: "D": ["D8", "D9", "D10", "D11"], ...: }, ...: index=[8, 9, 10, 11], ...: ] ...: In [4]: frames = [df1, df2, df3] In [5]: result = pd.concat[frames]88
Để tham gia trên nhiều khóa, DataFrame đã qua phải có một
36
0
Bây giờ điều này có thể được nối bằng cách chuyển hai tên cột chính
1
Giá trị mặc định cho
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]27 là thực hiện nối trái [về cơ bản là thao tác “VLOOKUP”, dành cho người dùng Excel], thao tác này chỉ sử dụng các khóa được tìm thấy trong DataFrame đang gọi. Các kiểu nối khác, ví dụ như nối bên trong, có thể được thực hiện dễ dàng
3
Như bạn có thể thấy, thao tác này loại bỏ bất kỳ hàng nào không khớp
Tham gia một Chỉ mục duy nhất vào MultiIndex#
Bạn có thể tham gia một
41 được lập chỉ mục đơn lẻ với cấp độ của một
41 được lập chỉ mục nhiều. Cấp độ sẽ khớp với tên của chỉ mục của khung được lập chỉ mục đơn lẻ so với tên cấp độ của khung MultiIndexed
5
Điều này tương đương nhưng ít dài dòng hơn và bộ nhớ hiệu quả hơn/nhanh hơn điều này
7
Tham gia với hai MultiIndexes#
Điều này được hỗ trợ theo một cách hạn chế, với điều kiện là chỉ mục cho đối số bên phải được sử dụng hoàn toàn trong liên kết và là tập hợp con của các chỉ mục trong đối số bên trái, như trong ví dụ này
9
Nếu điều kiện đó không được thỏa mãn, có thể thực hiện phép nối với hai đa chỉ mục bằng cách sử dụng đoạn mã sau
10
Hợp nhất trên sự kết hợp của các cột và cấp độ chỉ mục#
Các chuỗi được truyền dưới dạng tham số
77,
81 và
82 có thể đề cập đến tên cột hoặc tên cấp chỉ mục. Điều này cho phép hợp nhất các phiên bản
41 trên tổ hợp các cấp chỉ mục và cột mà không cần đặt lại chỉ mục
12
Ghi chú
Khi DataFrames được hợp nhất trên một chuỗi khớp với cấp chỉ mục trong cả hai khung, cấp chỉ mục được giữ nguyên dưới dạng cấp chỉ mục trong DataFrame kết quả
Ghi chú
Khi DataFrames được hợp nhất chỉ bằng một số cấp độ của
36, các cấp độ bổ sung sẽ bị loại bỏ khỏi kết quả hợp nhất. Để duy trì các cấp độ đó, hãy sử dụng
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]90 trên các tên cấp độ đó để di chuyển các cấp độ đó sang các cột trước khi thực hiện hợp nhất
Ghi chú
Nếu một chuỗi khớp với cả tên cột và tên cấp chỉ mục, thì cảnh báo sẽ được đưa ra và cột đó được ưu tiên. Điều này sẽ dẫn đến lỗi mơ hồ trong phiên bản tương lai
Cột giá trị chồng chéo #
Đối số hợp nhất
97 lấy một bộ danh sách các chuỗi để nối vào các tên cột chồng chéo trong các
41 đầu vào để phân biệt các cột kết quả
14
16
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]70 có các đối số
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]94 và
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]95 hoạt động tương tự
18
Tham gia nhiều DataFrames#
Một danh sách hoặc bộ dữ liệu của
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]71 cũng có thể được chuyển đến
pd.concat[ objs, axis=0, join="outer", ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True, ]25 để nối chúng lại với nhau trên các chỉ mục của chúng
00
Hợp nhất các giá trị với nhau trong các cột Sê-ri hoặc Khung dữ liệu#
Một tình huống khá phổ biến khác là có hai đối tượng
43 hoặc
41 được lập chỉ mục giống nhau [hoặc được lập chỉ mục tương tự] và muốn “chắp vá” các giá trị trong một đối tượng từ các giá trị để khớp chỉ mục trong đối tượng kia. Đây là một ví dụ
02
Đối với điều này, sử dụng phương pháp
800
03
Lưu ý rằng phương pháp này chỉ nhận các giá trị từ bên phải
41 nếu chúng bị thiếu trong bên trái
41. Một phương pháp liên quan,
803, thay đổi các giá trị không phải NA tại chỗ
05
Hợp nhất thân thiện với dòng thời gian#
Hợp nhất dữ liệu có thứ tự #
Hàm
804 cho phép kết hợp chuỗi thời gian và dữ liệu được sắp xếp khác. Cụ thể, nó có một từ khóa
805 tùy chọn để điền/nội suy dữ liệu bị thiếu
07
Sáp nhập asof#
Một
806 tương tự như nối trái theo thứ tự ngoại trừ việc chúng tôi khớp với khóa gần nhất thay vì các khóa bằng nhau. Đối với mỗi hàng trong
75
41, chúng tôi chọn hàng cuối cùng trong
76
41 có phím
77 nhỏ hơn phím bên trái. Cả hai DataFrames phải được sắp xếp theo khóa
Tùy chọn hợp nhất asof có thể thực hiện hợp nhất theo nhóm. Điều này khớp với khóa
812 như nhau, ngoài khớp gần nhất trên khóa
77
Ví dụ;
08
09
Theo mặc định, chúng tôi đang sử dụng dấu ngoặc kép
10
Chúng tôi chỉ cập nhật trong vòng 1817 giữa thời gian báo giá và thời gian giao dịch
11
Chúng tôi chỉ cập nhật trong vòng 18 giờ 18 phút giữa thời điểm báo giá và thời gian giao dịch và chúng tôi loại trừ các trận đấu chính xác đúng thời điểm. Lưu ý rằng mặc dù chúng tôi loại trừ các đối sánh chính xác [của các trích dẫn], nhưng các trích dẫn trước đó sẽ lan truyền đến thời điểm đó
12
So sánh đối tượng#
Các phương pháp
819 và
819 cho phép bạn so sánh hai DataFrame hoặc Sê-ri tương ứng và tóm tắt sự khác biệt của chúng
Tính năng này đã được thêm vào V1. 1. 0 .
Ví dụ: bạn có thể muốn so sánh hai
41 và xếp các điểm khác biệt của chúng cạnh nhau
13
14
15
Theo mặc định, nếu hai giá trị tương ứng bằng nhau, chúng sẽ được hiển thị là
822. Hơn nữa, nếu tất cả các giá trị trong toàn bộ một hàng/cột, thì hàng/cột đó sẽ bị loại khỏi kết quả. Sự khác biệt còn lại sẽ được căn chỉnh trên các cột