집 > 기사 > 백엔드 개발 > 알리바바 연봉 70만 데이터 분석가가 꼭 알아야 할 판다의 데이터 병합 기술 5가지

알리바바 연봉 70만 데이터 분석가가 꼭 알아야 할 판다의 데이터 병합 기술 5가지

Python当打之年앞으로: 2023-08-10 15:20:521012검색

얼마 전 우리 기술교류그룹 친구가 최근 알리바바 70만 종합 계약자 데이터 포지션 면접을 봤다는 얘기를 했고, 상대방이 팬더의5 Pandas的5种数据合并的函数，结果他只答出了2데이터 병합

을 위한 기능이지만 그는 단지 2 .

그럼 그 다섯 가지는 무엇인가요? 오늘은 여러분께 그 내용을 알려드리겠습니다!

디렉토리:

1.concat
2.append
3.
4. 가입
5.
요약

1. concat

알리바바 연봉 70만 데이터 분석가가 꼭 알아야 할 판다의 데이터 병합 기술 5가지

concat는 Pandas의 기능은 데이터 연결 및 병합에 특별히 사용됩니다. 이 기능은 매우 강력하며 수직 병합 및 수평 병합, 기본적으로 수직 병합이며 매개변수를 통해 설정할 수 있습니다. 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
함수 메소드에서 각 매개변수의 의미는 다음과 같습니다.

objs🎜🎜: 연결에 사용되는 데이터는 🎜🎜DataFrame🎜🎜 또는 🎜🎜Series🎜🎜A 목록🎜🎜
🎜axis= 0 🎜🎜: 연결 방법, 기본값은 0(수직 연결), 선택 사항 1은 수평 연결🎜🎜

🎜join='outer'🎜🎜: 병합 방법, 기본값은 🎜🎜inner🎜🎜는 교차점입니다. 선택사항🎜🎜outer🎜🎜가 결합입니다🎜🎜

<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원유적索引

keys=None
：连接关系，使用传递的值作为一级索引levels=None：사용于构造多级索引
🎜🎜names=None🎜🎜 ：索引의 이름 称🎜🎜🎜> px;여백 -왼쪽: 2px;글꼴 계열: "Operator Mono", Consolas, Monaco, Menlo, monospace;단어 나누기: break-all;색상: rgb(228, 105, 24);배경색: rgb(239, 239 , 239);글꼴 크기: 0.875em;줄 높이: 1.6 !important;">🎜sort🎜🎜: 并集合并方式下，对columns排序🎜🎜🎜🎜copy🎜🎜: 是否深島拷贝🎜🎜 🎜🎜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：

추가 code>는 주로 데이터를 수직으로 추가하는 데 사용되며, 이는 상대적으로 간단하고 직접적입니다. <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

concat는 가장 강력하며 데이터를 수직으로 병합할 수 있을 뿐만 아니라 수평으로도 병합할 수 있고 다른 많은 조건 설정을 지원합니다.
merge는 주로 병합에 사용됩니다. SQL의 Join 연결과 유사하게 데이터를 수평으로 배치합니다.

join은 비교적 간단하며 데이터를 수평으로 병합하는 데 사용되며 조건은 비교적 가혹합니다.
결합은 특정 조건(함수 규칙)에 따라 요소를 병합하고 데이터를 병합하는 것과 더 유사합니다.

🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜🎜

위 내용은 알리바바 연봉 70만 데이터 분석가가 꼭 알아야 할 판다의 데이터 병합 기술 5가지의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

sql pandas sort append copy 数据分析

성명：

이 기사는 Python当打之年에서 복제됩니다. 침해가 있는 경우 admin@php.cn으로 문의하시기 바랍니다. 삭제

이전 기사：3000단어 길이의 기사, Pandas가 Excel 테이블을 아름답게 만들어줍니다!다음 기사：3000단어 길이의 기사, Pandas가 Excel 테이블을 아름답게 만들어줍니다!