Heim > Artikel > Backend-Entwicklung > 5 Pandas-Fähigkeiten zur Datenzusammenführung, die Alibabas Datenanalyst mit einem Jahresgehalt von 700.000 kennen muss

5 Pandas-Fähigkeiten zur Datenzusammenführung, die Alibabas Datenanalyst mit einem Jahresgehalt von 700.000 kennen muss

Python当打之年nach vorne: 2023-08-10 15:20:521012Durchsuche

Vor nicht allzu langer Zeit erwähnte ein Freund in unserer technischen Austauschgruppe, dass er kürzlich für eine Datenposition von Alibabas 700.000 Generalunternehmer interviewt wurde, und die andere Partei fragte Pandas's5 Funktionen für die Pandas的5种数据合并的函数，结果他只答出了2Datenzusammenführung

, aber nur er antwortete 2 .

Also, welche fünf sind das? Heute nehmen wir Sie mit, um es herauszufinden!

Verzeichnis:

1. Anhängen
4. Mitmachen
5
Zusammenfassung

concat ist Die Funktion in Pandas wird speziell für die Datenverbindung und -zusammenführung verwendet. Sie ist sehr leistungsfähig und unterstützt vertikale Zusammenführung und Horizontale Zusammenführung, standardmäßig handelt es sich um eine vertikale Zusammenführung, die über Parameter festgelegt werden kann. concat是pandas中专门用于数据连接合并的函数，功能非常强大，支持纵向合并和横向合并，默认情况下是纵向合并，具体可以通过参数进行设置。

pd.concat(
    objs: &#39;Iterable[NDFrame] | Mapping[Hashable, NDFrame]&#39;,
    axis=0,
    join=&#39;outer&#39;,
    ignore_index: &#39;bool&#39; = False,
    keys=None,
    levels=None,
    names=None,
    verify_integrity: &#39;bool&#39; = False,
    sort: &#39;bool&#39; = False,
    copy: &#39;bool&#39; = True,
) -> &#39;FrameOrSeriesUnion&#39;

在函数方法中，各参数含义如下：

objs: 用于连接的数据，可以是DataFrame或Series组成的列表

axis=0 : 连接的方式，默认为0也就是纵向连接，可选 1 为横向连接

join='outer'：合并方式，默认为 inner也就是交集，可选 outer
In [1]: import pandas as pd

In [2]: s1 = pd.Series([&#39;a&#39;, &#39;b&#39;])

In [3]: s2 = pd.Series([&#39;c&#39;, &#39;d&#39;])

In [4]: s1
Out[4]: 
0 a
1 b
dtype: object

In [5]: s2
Out[5]: 
0 c
1 d
dtype: object

In [6]: pd.concat([s1, s2])
Out[6]: 
0 a
1 b
0 c
1 d
dtype: object

In [7]: df1 = pd.DataFrame([[&#39;a&#39;, 1], [&#39;b&#39;, 2]],
 ...: columns=[&#39;letter&#39;, &#39;number&#39;])

In [8]: df2 = pd.DataFrame([[&#39;c&#39;, 3], [&#39;d&#39;, 4]],
 ...: columns=[&#39;letter&#39;, &#39;number&#39;])

In [9]: pd.concat([df1, df2])
Out[9]: 
 letter number
0 a 1
1 b 2
0 c 3
1 d 4
In der Funktionsmethode ist die Bedeutung jedes Parameters wie folgt:

objs🎜🎜: Die für die Verbindung verwendeten Daten können sein: 🎜🎜DataFrame🎜🎜 oder 🎜🎜Series🎜🎜Eine Liste🎜🎜
🎜axis= 0 🎜🎜: Die Verbindungsmethode, der Standardwert ist 0, was eine vertikale Verbindung ist, optional 1 ist eine horizontale Verbindung🎜🎜

🎜join='outer'🎜🎜: Zusammenführungsmethode, die Standardeinstellung ist 🎜🎜inner🎜🎜 ist der Schnittpunkt, optional🎜🎜outer🎜🎜 ist die Union🎜🎜

<code style='padding: 2px 4px;border-radius: 4px;margin-right: 2px;margin-left: 2px;font-family: "Operator Mono", Consolas, Monaco, Menlo, monospace;word-break: break-all;color: rgb(228, 105, 24);background-color: rgb(239, 239, 239);font-size: 0.875em;line-height: 1.6 !important;'>ignore_index: 是否保留原有的索引

keys=None：连接关系，使用传递的值作为一级索引

levels=None：用于构造多级索引

names=None：索引的名称

verify_integrity: 检测索引是否重复，如果为True则有重复索引会报错

sort: 并集合并方式下，对columns排序

copyignore_index Code>: 是否保留原有的索引

keys=None
：连接关系，使用传递的值作为一级索引levels=None：用于构造多级索引
🎜🎜names=None🎜🎜 :索引的名称🎜🎜🎜🎜verify_integrity🎜🎜: 检测索引是否重复，如果为True则有重复索引会报错🎜🎜🎜🎜sort🎜🎜: 并集合并方式下，对columns排序🎜🎜🎜🎜copy🎜🎜: 是否深度拷贝🎜🎜 🎜🎜接下来，我们就对该函数功能进行演示🎜🎜🎜🎜🎜基础连接🎜🎜🎜🎜🎜🎜
In [1]: import pandas as pd

In [2]: s1 = pd.Series([&#39;a&#39;, &#39;b&#39;])

In [3]: s2 = pd.Series([&#39;c&#39;, &#39;d&#39;])

In [4]: s1
Out[4]: 
0 a
1 b
dtype: object

In [5]: s2
Out[5]: 
0 c
1 d
dtype: object

In [6]: pd.concat([s1, s2])
Out[6]: 
0 a
1 b
0 c
1 d
dtype: object

In [7]: df1 = pd.DataFrame([[&#39;a&#39;, 1], [&#39;b&#39;, 2]],
 ...: columns=[&#39;letter&#39;, &#39;number&#39;])

In [8]: df2 = pd.DataFrame([[&#39;c&#39;, 3], [&#39;d&#39;, 4]],
 ...: columns=[&#39;letter&#39;, &#39;number&#39;])

In [9]: pd.concat([df1, df2])
Out[9]: 
 letter number
0 a 1
1 b 2
0 c 3
1 d 4
横向连接
In [10]: pd.concat([df1, df2], axis=1)
Out[10]: 
 letter number letter number
0 a 1 c 3
1 b 2 d 4
默认情况下，concat是取并集，如果两个数据中有个数据没有对应行或列，则会填充为空值NaN。

合并交集
In [11]: df3 = pd.DataFrame([[&#39;c&#39;, 3, &#39;cat&#39;], [&#39;d&#39;, 4, &#39;dog&#39;]],
 ...: columns=[&#39;letter&#39;, &#39;number&#39;, &#39;animal&#39;])

In [12]: df1
Out[12]: 
 letter number
0 a 1
1 b 2

In [13]: df3
Out[13]: 
 letter number animal
0 c 3 cat
1 d 4 dog

In [14]: pd.concat([df1, df3], join=&#39;inner&#39;)
Out[14]: 
 letter number
0 a 1
1 b 2
0 c 3
1 d 4
索引重置（不保留原有索引）
In [15]: pd.concat([df1, df3], join=&#39;inner&#39;, ignore_index=True)
Out[15]: 
 letter number
0 a 1
1 b 2
2 c 3
3 d 4
# 以下方式和上述的输出结果等价
In [16]: pd.concat([df1, df3], join=&#39;inner&#39;).reset_index(drop=True)
Out[16]: 
 letter number
0 a 1
1 b 2
2 c 3
3 d 4
指定索引
In [17]: pd.concat([df1, df3], keys=[&#39;df1&#39;,&#39;df3&#39;])
Out[17]: 
 letter number animal
df1 0 a 1 NaN
 1 b 2 NaN
df3 0 c 3 cat
 1 d 4 dog

In [18]: pd.concat([df1, df3], keys=[&#39;df1&#39;,&#39;df3&#39;], names=[&#39;df名称&#39;,&#39;行ID&#39;])
Out[18]: 
 letter number animal
df名称 行ID 
df1 0 a 1 NaN
 1 b 2 NaN
df3 0 c 3 cat
 1 d 4 dog
检测重复

如果索引出现重复，则无法通过检测，会报错
In [19]: pd.concat([df1, df3], verify_integrity=True)
Traceback (most recent call last):
...
ValueError: Indexes have overlapping values: Int64Index([0, 1], dtype=&#39;int64&#39;)
合并并集下columns排序
In [21]: pd.concat([df1, df3], sort=True)
Out[21]: 
 animal letter number
0 NaN a 1
1 NaN b 2
0 cat c 3
1 dog d 4
DataFrame与Series合并
In [22]: pd.concat([df1, s1])
Out[22]: 
 letter number 0
0 a 1.0 NaN
1 b 2.0 NaN
0 NaN NaN a
1 NaN NaN b

In [23]: pd.concat([df1, s1], axis=1)
Out[23]: 
 letter number 0
0 a 1 a
1 b 2 b
# 新增列一般可选以下两种方式
In [24]: df1.assign(新增列=s1)
Out[24]: 
 letter number 新增列
0 a 1 a
1 b 2 b

In [25]: df1[&#39;新增列&#39;] = s1

In [26]: df1
Out[26]: 
 letter number 新增列
0 a 1 a
1 b 2 b
以上就concat函数方法的一些功能，相比之下，另外一个函数append也可以用于数据追加（纵向合并）

2. append
append主要用于追加数据，是比较简单直接的数据合并方式。
df.append(
 other,
 ignore_index: &#39;bool&#39; = False,
 verify_integrity: &#39;bool&#39; = False,
 sort: &#39;bool&#39; = False,
) -> &#39;DataFrame&#39;
在函数方法中，各参数含义如下：

other: 用于追加的数据，可以是DataFrame或Series或组成的列表

<code style='padding: 2px 4px;border-radius: 4px;margin-right: 2px;margin-left: 2px;font-family: "Operator Mono", Consolas, Monaco, Menlo, monospace;word-break: break-all;color: rgb(228, 105, 24);background-color: rgb(239, 239, 239);font-size: 0.875em;line-height: 1.6 !important;'>ignore_index: 是否保留原有的索引

verify_integrity: 检测索引是否重复，如果为True则有重复索引会报错

sort: 并集合并方式下，对columns排序

接下来，我们就对该函数功能进行演示

基础追加
In [41]: df1.append(df2)
Out[41]: 
 letter number
0 a 1
1 b 2
0 c 3
1 d 4

In [42]: df1.append([df1,df2,df3])
Out[42]: 
 letter number animal
0 a 1 NaN
1 b 2 NaN
0 a 1 NaN
1 b 2 NaN
0 c 3 NaN
1 d 4 NaN
0 c 3 cat
1 d 4 dog
columns重置（不保留原有索引）
In [43]: df1.append([df1,df2,df3], ignore_index=True)
Out[43]: 
 letter number animal
0 a 1 NaN
1 b 2 NaN
2 a 1 NaN
3 b 2 NaN
4 c 3 NaN
5 d 4 NaN
6 c 3 cat
7 d 4 dog
检测重复

如果索引出现重复，则无法通过检测，会报错
In [44]: df1.append([df1,df2], verify_integrity=True)
Traceback (most recent call last):
...
ValueError: Indexes have overlapping values: Int64Index([0, 1], dtype=&#39;int64&#39;)
索引排序
In [46]: df1.append([df1,df2,df3], sort=True)
Out[46]: 
 animal letter number
0 NaN a 1
1 NaN b 2
0 NaN a 1
1 NaN b 2
0 NaN c 3
1 NaN d 4
0 cat c 3
1 dog d 4
追加Series
In [49]: s = pd.Series({&#39;letter&#39;:&#39;s1&#39;,&#39;number&#39;:9})

In [50]: s
Out[50]: 
letter s1
number 9
dtype: object

In [51]: df1.append(s)
Traceback (most recent call last):
...
TypeError: Can only append a Series if ignore_index=True or if the Series has a name

In [53]: df1.append(s, ignore_index=True)
Out[53]: 
 letter number
0 a 1
1 b 2
2 s1 9
追加字典

这个在爬虫的时候比较好使，每爬取一条数据就合并到DataFrame类似数据中存储起来
In [54]: dic = {&#39;letter&#39;:&#39;s1&#39;,&#39;number&#39;:9}

In [55]: df1.append(dic, ignore_index=True)
Out[55]: 
 letter number
0 a 1
1 b 2
2 s1 9
3. merge
merge函数方法类似SQL里的join，可以是pd.merge或者df.merge，区别就在于后者待合并的数据是
pd.merge(
 left: &#39;DataFrame | Series&#39;,
 right: &#39;DataFrame | Series&#39;,
 how: &#39;str&#39; = &#39;inner&#39;,
 on: &#39;IndexLabel | None&#39; = None,
 left_on: &#39;IndexLabel | None&#39; = None,
 right_on: &#39;IndexLabel | None&#39; = None,
 left_index: &#39;bool&#39; = False,
 right_index: &#39;bool&#39; = False,
 sort: &#39;bool&#39; = False,
 suffixes: &#39;Suffixes&#39; = (&#39;_x&#39;, &#39;_y&#39;),
 copy: &#39;bool&#39; = True,
 indicator: &#39;bool&#39; = False,
 validate: &#39;str | None&#39; = None,
) -> &#39;DataFrame&#39;
在函数方法中，关键参数含义如下：

left: 用于连接的左侧数据

right: 用于连接的右侧数据

how: 数据连接方式，默认为 inner，可选outer、left和right

on: 连接关键字段，左右侧数据中需要都存在，否则就用left_on和right_on

left_on: 左侧数据用于连接的关键字段

right_on: 右侧数据用于连接的关键字段

left_index: True表示左侧索引为连接关键字段

right_index: True表示右侧索引为连接关键字段

suffixes: 'Suffixes' = ('_x', '_y'),可以自由指定，就是同列名合并后列名显示后缀

indicator: 是否显示合并后某行数据的归属来源

接下来，我们就对该函数功能进行演示

基础合并
In [55]: df1 = pd.DataFrame({&#39;key&#39;: [&#39;foo&#39;, &#39;bar&#39;, &#39;bal&#39;],
 ...: &#39;value2&#39;: [1, 2, 3]})

In [56]: df2 = pd.DataFrame({&#39;key&#39;: [&#39;foo&#39;, &#39;bar&#39;, &#39;baz&#39;],
 ...: &#39;value1&#39;: [5, 6, 7]})

In [57]: df1.merge(df2)
Out[57]: 
 key value2 value1
0 foo 1 5
1 bar 2 6
其他连接方式
In [58]: df1.merge(df2, how=&#39;left&#39;)
Out[58]: 
 key value2 value1
0 foo 1 5.0
1 bar 2 6.0
2 bal 3 NaN

In [59]: df1.merge(df2, how=&#39;right&#39;)
Out[59]: 
 key value2 value1
0 foo 1.0 5
1 bar 2.0 6
2 baz NaN 7

In [60]: df1.merge(df2, how=&#39;outer&#39;)
Out[60]: 
 key value2 value1
0 foo 1.0 5.0
1 bar 2.0 6.0
2 bal 3.0 NaN
3 baz NaN 7.0

In [61]: df1.merge(df2, how=&#39;cross&#39;)
Out[61]: 
 key_x value2 key_y value1
0 foo 1 foo 5
1 foo 1 bar 6
2 foo 1 baz 7
3 bar 2 foo 5
4 bar 2 bar 6
5 bar 2 baz 7
6 bal 3 foo 5
7 bal 3 bar 6
8 bal 3 baz 7
指定连接键

可以指定单个连接键，也可以指定多个连接键
In [62]: df1 = pd.DataFrame({&#39;lkey1&#39;: [&#39;foo&#39;, &#39;bar&#39;, &#39;bal&#39;],
 ...: &#39;lkey2&#39;: [&#39;a&#39;, &#39;b&#39;, &#39;c&#39;],
 ...: &#39;value2&#39;: [1, 2, 3]})

In [63]: df2 = pd.DataFrame({&#39;rkey1&#39;: [&#39;foo&#39;, &#39;bar&#39;, &#39;baz&#39;],
 ...: &#39;rkey2&#39;: [&#39;a&#39;, &#39;b&#39;, &#39;c&#39;],
 ...: &#39;value2&#39;: [5, 6, 7]})
 
In [64]: df1
Out[64]: 
 lkey1 lkey2 value2
0 foo a 1
1 bar b 2
2 bal c 3

In [65]: df2
Out[65]: 
 rkey1 rkey2 value2
0 foo a 5
1 bar b 6
2 baz c 7

In [66]: df1.merge(df2, left_on=&#39;lkey1&#39;, right_on=&#39;rkey1&#39;)
Out[66]: 
 lkey1 lkey2 value2_x rkey1 rkey2 value2_y
0 foo a 1 foo a 5
1 bar b 2 bar b 6

In [67]: df1.merge(df2, left_on=[&#39;lkey1&#39;,&#39;lkey2&#39;], right_on=[&#39;rkey1&#39;,&#39;rkey2&#39;])
Out[67]: 
 lkey1 lkey2 value2_x rkey1 rkey2 value2_y
0 foo a 1 foo a 5
1 bar b 2 bar b 6
指定索引为键
Out[68]: df1.merge(df2, left_index=True, right_index=True)
Out[68]: 
 lkey1 lkey2 value2_x rkey1 rkey2 value2_y
0 foo a 1 foo a 5
1 bar b 2 bar b 6
2 bal c 3 baz c 7
设置重复列后缀
In [69]: df1.merge(df2, left_on=&#39;lkey1&#39;, right_on=&#39;rkey1&#39;, suffixes=[&#39;左&#39;,&#39;右&#39;])
Out[69]: 
 lkey1 lkey2 value2左 rkey1 rkey2 value2右
0 foo a 1 foo a 5
1 bar b 2 bar b 6
连接指示

新增一列用于显示数据来源
In [70]: df1.merge(df2, left_on=&#39;lkey1&#39;, right_on=&#39;rkey1&#39;, suffixes=[&#39;左&#39;,&#39;右&#39;], how=&#39;outer&#39;,
 ...: indicator=True
 ...: )
Out[70]: 
 lkey1 lkey2 value2左 rkey1 rkey2 value2右 _merge
0 foo a 1.0 foo a 5.0 both
1 bar b 2.0 bar b 6.0 both
2 bal c 3.0 NaN NaN NaN left_only
3 NaN NaN NaN baz c 7.0 right_only
4. join
join就有点想append之于concat，用于数据合并
df.join(
 other: &#39;FrameOrSeriesUnion&#39;,
 on: &#39;IndexLabel | None&#39; = None,
 how: &#39;str&#39; = &#39;left&#39;,
 lsuffix: &#39;str&#39; = &#39;&#39;,
 rsuffix: &#39;str&#39; = &#39;&#39;,
 sort: &#39;bool&#39; = False,
) -> &#39;DataFrame&#39;
在函数方法中，关键参数含义如下：

other: 用于合并的右侧数据

on: 连接关键字段，左右侧数据中需要都存在，否则就用left_on和right_on

how: 数据连接方式，默认为 inner，可选outer、left和right

lsuffix: 左侧同名列后缀

rsuffix：右侧同名列后缀

接下来，我们就对该函数功能进行演示
In [71]: df = pd.DataFrame({&#39;key&#39;: [&#39;K0&#39;, &#39;K1&#39;, &#39;K2&#39;, &#39;K3&#39;, &#39;K4&#39;, &#39;K5&#39;],
 ...: &#39;A&#39;: [&#39;A0&#39;, &#39;A1&#39;, &#39;A2&#39;, &#39;A3&#39;, &#39;A4&#39;, &#39;A5&#39;]})

In [72]: other = pd.DataFrame({&#39;key&#39;: [&#39;K0&#39;, &#39;K1&#39;, &#39;K2&#39;],
 ...: &#39;B&#39;: [&#39;B0&#39;, &#39;B1&#39;, &#39;B2&#39;]})

In [73]: df
Out[73]: 
 key A
0 K0 A0
1 K1 A1
2 K2 A2
3 K3 A3
4 K4 A4
5 K5 A5

In [74]: other
Out[74]: 
 key B
0 K0 B0
1 K1 B1
2 K2 B2

In [75]: df.join(other, on=&#39;key&#39;)
Traceback (most recent call last):
...
ValueError: You are trying to merge on object and int64 columns. If you wish to proceed you should use pd.concat
如果想用key关键字，则需要key是索引。。。

指定key
In [76]: df.set_index(&#39;key&#39;).join(other.set_index(&#39;key&#39;))
Out[76]: 
 A B
key 
K0 A0 B0
K1 A1 B1
K2 A2 B2
K3 A3 NaN
K4 A4 NaN
K5 A5 NaN

In [77]: df.join(other.set_index(&#39;key&#39;), on=&#39;key&#39;)
Out[77]: 
 key A B
0 K0 A0 B0
1 K1 A1 B1
2 K2 A2 B2
3 K3 A3 NaN
4 K4 A4 NaN
5 K5 A5 NaN
指定重复列后缀
In [78]: df.join(other, lsuffix=&#39;_左&#39;, rsuffix=&#39;右&#39;)
Out[78]: 
 key_左 A key右 B
0 K0 A0 K0 B0
1 K1 A1 K1 B1
2 K2 A2 K2 B2
3 K3 A3 NaN NaN
4 K4 A4 NaN NaN
5 K5 A5 NaN NaN
其他参数就不多做介绍了，和merge基本一样。

5. combine
在数据合并的过程中，我们可能需要对对应位置的值进行一定的计算，pandas提供了combine和combine_first函数方法来进行这方面的合作操作。
df.combine(
 other: &#39;DataFrame&#39;,
 func,
 fill_value=None,
 overwrite: &#39;bool&#39; = True,
) -> &#39;DataFrame&#39;
比如，数据合并的时候取单元格最小的值
In [79]: df1 = pd.DataFrame({&#39;A&#39;: [0, 0], &#39;B&#39;: [4, 4]})

In [80]: df2 = pd.DataFrame({&#39;A&#39;: [1, 1], &#39;B&#39;: [3, 3]})

In [81]: df1
Out[81]: 
 A B
0 0 4
1 0 4

In [82]: df2
Out[82]: 
 A B
0 1 3
1 1 3

In [83]: take_smaller = lambda s1, s2: s1 if s1.sum() < s2.sum() else s2

In [84]: df1.combine(df2, take_smaller)
Out[84]: 
 A B
0 0 3
1 0 3

# 也可以调用numpy的函数
In [85]: import numpy as np

In [86]: df1.combine(df2, np.minimum)
Out[86]: 
 A B
0 0 3
1 0 3
fill_value填充缺失值
In [87]: df1 = pd.DataFrame({&#39;A&#39;: [0, 0], &#39;B&#39;: [None, 4]})

In [87]: df2 = pd.DataFrame({&#39;A&#39;: [1, 1], &#39;B&#39;: [3, 3]})

In [88]: df1
Out[88]: 
 A B
0 0 NaN
1 0 4.0

In [89]: df2
Out[89]: 
 A B
0 1 3
1 1 3

In [90]: df1.combine(df2, take_smaller, fill_value=-88)
Out[90]: 
 A B
0 0 -88.0
1 0 4.0
overwrite=False保留
In [91]: df1 = pd.DataFrame({&#39;A&#39;: [0, 0], &#39;B&#39;: [4, 4]})

In [92]: df2 = pd.DataFrame({&#39;B&#39;: [3, 3], &#39;C&#39;: [-10, 1], }, index=[1, 2])

In [93]: df1
Out[93]: 
 A B
0 0 4
1 0 4

In [94]: df2
Out[94]: 
 B C
1 3 -10
2 3 1

In [95]: df1.combine(df2, take_smaller)
Out[95]: 
 A B C
0 NaN NaN NaN
1 NaN 3.0 -10.0
2 NaN 3.0 1.0
# 保留A列原有的值
In [96]: df1.combine(df2, take_smaller, overwrite=False)
Out[96]: 
 A B C
0 0.0 NaN NaN
1 0.0 3.0 -10.0
2 NaN 3.0 1.0
另外一个combine_first
df.combine_first(other: &#39;DataFrame&#39;) -> &#39;DataFrame&#39;
当df中元素为空采用other里的进行替换，结果为并集合并
In [97]: df1 = pd.DataFrame({&#39;A&#39;: [None, 0], &#39;B&#39;: [None, 4]})

In [98]: df2 = pd.DataFrame({&#39;A&#39;: [1, 1], &#39;B&#39;: [3, 3]})

In [99]: df1
Out[99]: 
 A B
0 NaN NaN
1 0.0 4.0

In [100]: df2
Out[100]: 
 A B
0 1 3
1 1 3

In [101]: df1.combine_first(df2)
Out[101]: 
 A B
0 1.0 3.0
1 0.0 4.0

In [102]: df1 = pd.DataFrame({&#39;A&#39;: [None, 0], &#39;B&#39;: [4, None]})

In [103]: df2 = pd.DataFrame({&#39;B&#39;: [3, 3], &#39;C&#39;: [1, 1]}, index=[1, 2])

In [104]: df1
Out[104]: 
 A B
0 NaN 4.0
1 0.0 NaN

In [105]: df2
Out[105]: 
 B C
1 3 1
2 3 1

In [106]: df1.combine_first(df2)
Out[106]: 
 A B C
0 NaN 4.0 NaN
1 0.0 3.0 1.0
2 NaN 3.0 1.0
总结
以上就本次介绍的关于Pandas数据合并的全部内容，相比之下我们可以发现：

append Code> wird hauptsächlich zum vertikalen Anhängen von Daten verwendet, was relativ einfach und direkt ist. <code style='padding: 2px 4px;border-radius: 4px;margin-right: 2px;margin-left: 2px;font-family: "Operator Mono", Consolas, Monaco, Menlo, monospace;word-break: break-all;color: rgb(228, 105, 24);background-color: rgb(239, 239, 239);font-size: 0.875em;line-height: 1.6 !important;'>append主要用于纵向追加数据，比较简单直接；

concat功能最强大，不仅可以纵向合并数据还可以横向合并数据而且支持很多其他条件设置；

merge则主要用于横向合并数据，类似SQL里的join连接；

join则比较简单，用于横向合并数据，条件相对苛刻；

combine

-Familie: „Operator Mono“, Consolas, Monaco, Menlo, Monospace;Wortumbruch: Break-All;Farbe: RGB(228, 105, 24);Hintergrundfarbe: RGB(239, 239, 239);Schriftart- size: 0.875em ;line-height: 1.6 !important;">concat ist am leistungsstärksten, es kann Daten nicht nur vertikal, sondern auch horizontal zusammenführen und unterstützt viele andere Bedingungseinstellungen;
merge wird hauptsächlich zum Zusammenführen verwendet Daten horizontal, ähnlich der Join-Verbindung in SQL;

, Consolas, Monaco, Menlo, Monospace; Wortumbruch: alle umbrechen; Farbe: RGB (228, 105, 24); Hintergrundfarbe: RGB (239, 239, 239); Schriftgröße: 0,875 em; Zeilen- height: 1.6 ! important;">join ist relativ einfach, wird zum horizontalen Zusammenführen von Daten verwendet und die Bedingungen sind relativ hart;
combine ähnelt eher dem Zusammenführen von Elementen und dem Zusammenführen von Daten gemäß bestimmten Bedingungen (Funktionsregeln).

🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜

Das obige ist der detaillierte Inhalt von5 Pandas-Fähigkeiten zur Datenzusammenführung, die Alibabas Datenanalyst mit einem Jahresgehalt von 700.000 kennen muss. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

sql pandas sort append copy 数据分析

Stellungnahme：

Dieser Artikel ist reproduziert unter:Python当打之年. Bei Verstößen wenden Sie sich bitte an admin@php.cn löschen

Vorheriger Artikel：3000 Wörter langer Artikel, Pandas verschönert Ihre Excel-Tabelle!Nächster Artikel：3000 Wörter langer Artikel, Pandas verschönert Ihre Excel-Tabelle!

In Verbindung stehende Artikel

Mehr sehen