Bagaimanakah argumen \'levels\', \'keys\' dan \'name\' dalam fungsi `concat` Pandas membantu mencipta dan menyesuaikan struktur MultiIndex dalam DataFrames?

Apakah argumen 'tahap', 'kunci' dan nama dalam fungsi concat Pandas?

Pengenalan

Panda.concat () fungsi ialah alat serba boleh untuk menggabungkan berbilang objek Siri atau DataFrame menjadi satu DataFrame yang disatukan. Ia menawarkan beberapa argumen untuk menyesuaikan proses penggabungan, termasuk peringkat, kunci dan nama argumen. Panduan ini menyediakan penjelasan menyeluruh tentang hujah ini, dengan contoh untuk menunjukkan penggunaannya.

Menggunakan Fungsi concat()

Sintaksi untuk fungsi pandas.concat() adalah seperti berikut:

<code class="python">pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)</code>

Coretan kod berikut menunjukkan contoh mudah untuk menggabungkan dua DataFrames di sepanjang paksi indeks:

<code class="python">import pandas as pd

df1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
df2 = pd.DataFrame({'A': [7, 8, 9], 'B': [10, 11, 12]})

df = pd.concat([df1, df2])

print(df)</code>

Output:

   A  B
0  1  4
1  2  5
2  3  6
3  7  10
4  8  11
5  9  12

Kekunci Argumen

Argumen kunci membolehkan anda menentukan senarai nilai skalar atau tupel untuk mencipta struktur MultiIndex dalam DataFrame yang terhasil. Setiap elemen dalam senarai kunci sepadan dengan salah satu objek yang digabungkan.

Sebagai contoh, pertimbangkan coretan kod berikut:

<code class="python">keys = ['df1', 'df2']
df = pd.concat([df1, df2], keys=keys)

print(df)</code>

Output:

    A  B
df1 0  1  4
    1  2  5
    2  3  6
df2 3  7  10
    4  8  11
    5  9  12

Argumen kunci mencipta tahap baharu dalam indeks, dinamakan 'kunci'. Ini membolehkan anda mengenal pasti dengan mudah baris mana yang tergolong dalam DataFrame.

Argumen peringkat

Argumen tahap digunakan untuk menentukan tahap khusus MultiIndex untuk digunakan. Ia menjangkakan senarai jujukan, setiap jujukan mewakili tahap dalam MultiIndex.

Sebagai contoh, kod berikut menentukan bahawa MultiIndex harus mempunyai dua tahap:

<code class="python">levels = [['df1', 'df2'], ['A', 'B']]
df = pd.concat([df1, df2], keys=keys, levels=levels)

print(df)</code>

Output:

    A  B
df1 A 0  1  4
   B 1  2  5
   C 2  3  6
df2 A 3  7  10
   B 4  8  11
   C 5  9  12

Argumen tahap memberikan fleksibiliti dalam mencipta struktur MultiIndex yang lebih kompleks.

Argument nama

Argumen nama membolehkan anda menentukan nama tersuai untuk tahap MultiIndex. Ia menjangkakan senarai rentetan, setiap rentetan mewakili nama tahap.

<code class="python">names = ['DataFrame', 'Column']
df = pd.concat([df1, df2], keys=keys, levels=levels, names=names)

print(df)</code>

Output:

DataFrame Column  A  B
df1        A   0  1  4
            B   1  2  5
            C   2  3  6
df2        A   3  7  10
           B   4  8  11
           C   5  9  12

Argumen nama membantu menyediakan konteks dan meningkatkan kebolehbacaan apabila berurusan dengan struktur MultiIndex .

Kesimpulan

Argumen peringkat, kunci dan nama ialah alat yang berkuasa untuk menyesuaikan proses penggabungan dalam panda. Mereka membenarkan anda mencipta struktur MultiIndex yang fleksibel dan bermaklumat yang memudahkan analisis dan manipulasi data. Dengan memahami penggunaan hujah ini, anda boleh meningkatkan kemahiran pengaturcaraan panda anda dan mengurus data anda dengan berkesan.

Atas ialah kandungan terperinci Bagaimanakah argumen \'levels\', \'keys\' dan \'name\' dalam fungsi `concat` Pandas membantu mencipta dan menyesuaikan struktur MultiIndex dalam DataFrames?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!