溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
數據規整化：合并、清理、過濾
pandas和python標準庫提供了一整套高級、靈活的、高效的核心函數和算法將數據規整化為你想要的形式！
本篇博客主要介紹：
合并數據集：.merge()、.concat()等方法，類似于SQL或其他關系型數據庫的連接操作。
合并數據集
1） merge 函數參數
| 參數 | 說明 |
|---|---|
| left | 參與合并的左側DataFrame |
| right | 參與合并的右側DataFrame |
| how | 連接方式：‘inner'（默認）；還有，‘outer'、‘left'、‘right' |
| on | 用于連接的列名，必須同時存在于左右兩個DataFrame對象中，如果位指定，則以left和right列名的交集作為連接鍵 |
| left_on | 左側DataFarme中用作連接鍵的列 |
| right_on | 右側DataFarme中用作連接鍵的列 |
| left_index | 將左側的行索引用作其連接鍵 |
| right_index | 將右側的行索引用作其連接鍵 |
| sort | 根據連接鍵對合并后的數據進行排序，默認為True。有時在處理大數據集時，禁用該選項可獲得更好的性能 |
| suffixes | 字符串值元組，用于追加到重疊列名的末尾，默認為（‘_x',‘_y'）.例如，左右兩個DataFrame對象都有‘data'，則結果中就會出現‘data_x'，‘data_y' |
| copy | 設置為False，可以在某些特殊情況下避免將數據復制到結果數據結構中。默認總是賦值 |
1、多對一的合并（一個表的連接鍵列有重復值，另一個表中的連接鍵沒有重復值）
import pandas as pd
import numpy as np
df1 = pd.DataFrame({'key':['b','b','a','c','a','a','b'],'data1': range(7)})
df1
| data1 | key | |
|---|---|---|
| 0 | 0 | b |
| 1 | 1 | b |
| 2 | 2 | a |
| 3 | 3 | c |
| 4 | 4 | a |
| 5 | 5 | a |
| 6 | 6 | b |
df2 = pd.DataFrame({'key':['a','b','d'],'data2':range(3)})
df2
| data2 | key | |
|---|---|---|
| 0 | 0 | a |
| 1 | 1 | b |
| 2 | 2 | d |
pd.merge(df1,df2)#默認情況
| data1 | key | data2 | |
|---|---|---|---|
| 0 | 0 | b | 1 |
| 1 | 1 | b | 1 |
| 2 | 6 | b | 1 |
| 3 | 2 | a | 0 |
| 4 | 4 | a | 0 |
| 5 | 5 | a | 0 |
df1.merge(df2)
| data1 | key | data2 | |
|---|---|---|---|
| 0 | 0 | b | 1 |
| 1 | 1 | b | 1 |
| 2 | 6 | b | 1 |
| 3 | 2 | a | 0 |
| 4 | 4 | a | 0 |
| 5 | 5 | a | 0 |
df1.merge(df2,on = 'key',how = 'inner')#內連接，取交集
| data1 | key | data2 | |
|---|---|---|---|
| 0 | 0 | b | 1 |
| 1 | 1 | b | 1 |
| 2 | 6 | b | 1 |
| 3 | 2 | a | 0 |
| 4 | 4 | a | 0 |
| 5 | 5 | a | 0 |
df1.merge(df2,on = 'key',how = 'outer')#外鏈接，取并集，并用nan填充
| data1 | key | data2 | |
|---|---|---|---|
| 0 | 0.0 | b | 1.0 |
| 1 | 1.0 | b | 1.0 |
| 2 | 6.0 | b | 1.0 |
| 3 | 2.0 | a | 0.0 |
| 4 | 4.0 | a | 0.0 |
| 5 | 5.0 | a | 0.0 |
| 6 | 3.0 | c | NaN |
| 7 | NaN | d | 2.0 |
df1.merge(df2,on = 'key',how = 'left')#左連接，左側DataFrame取全部，右側DataFrame取部分
| data1 | key | data2 | |
|---|---|---|---|
| 0 | 0 | b | 1.0 |
| 1 | 1 | b | 1.0 |
| 2 | 2 | a | 0.0 |
| 3 | 3 | c | NaN |
| 4 | 4 | a | 0.0 |
| 5 | 5 | a | 0.0 |
| 6 | 6 | b | 1.0 |
df1.merge(df2,on = 'key',how = 'right')#右連接，右側DataFrame取全部，左側DataFrame取部分
| data1 | key | data2 | |
|---|---|---|---|
| 0 | 0.0 | b | 1 |
| 1 | 1.0 | b | 1 |
| 2 | 6.0 | b | 1 |
| 3 | 2.0 | a | 0 |
| 4 | 4.0 | a | 0 |
| 5 | 5.0 | a | 0 |
| 6 | NaN | d | 2 |
如果左右側DataFrame的連接鍵列名不一致，但是取值有重疊，可使用left_on、right_on來指定左右連接鍵
df3 = pd.DataFrame({'lkey':['b','b','a','c','a','a','b'],'data1': range(7)})
df3
| data1 | lkey | |
|---|---|---|
| 0 | 0 | b |
| 1 | 1 | b |
| 2 | 2 | a |
| 3 | 3 | c |
| 4 | 4 | a |
| 5 | 5 | a |
| 6 | 6 | b |
df4 = pd.DataFrame({'rkey':['a','b','d'],'data2':range(3)})
df4
| data2 | rkey | |
|---|---|---|
| 0 | 0 | a |
| 1 | 1 | b |
| 2 | 2 | d |
df3.merge(df4,left_on = 'lkey',right_on = 'rkey',how = 'inner')
| data1 | lkey | data2 | rkey | |
|---|---|---|---|---|
| 0 | 0 | b | 1 | b |
| 1 | 1 | b | 1 | b |
| 2 | 6 | b | 1 | b |
| 3 | 2 | a | 0 | a |
| 4 | 4 | a | 0 | a |
| 5 | 5 | a | 0 | a |
2、多對多的合并（一個表的連接鍵列有重復值，另一個表中的連接鍵有重復值）
df1 = pd.DataFrame({'key':['b','b','a','c','a','a','b'],'data1': range(7)})
df1
| data1 | key | |
|---|---|---|
| 0 | 0 | b |
| 1 | 1 | b |
| 2 | 2 | a |
| 3 | 3 | c |
| 4 | 4 | a |
| 5 | 5 | a |
| 6 | 6 | b |
df5 = pd.DataFrame({'key':['a','b','a','b','b'],'data2': range(5)})
df5
| data2 | key | |
|---|---|---|
| 0 | 0 | a |
| 1 | 1 | b |
| 2 | 2 | a |
| 3 | 3 | b |
| 4 | 4 | b |
df1.merge(df5)
| data1 | key | data2 | |
|---|---|---|---|
| 0 | 0 | b | 1 |
| 1 | 0 | b | 3 |
| 2 | 0 | b | 4 |
| 3 | 1 | b | 1 |
| 4 | 1 | b | 3 |
| 5 | 1 | b | 4 |
| 6 | 6 | b | 1 |
| 7 | 6 | b | 3 |
| 8 | 6 | b | 4 |
| 9 | 2 | a | 0 |
| 10 | 2 | a | 2 |
| 11 | 4 | a | 0 |
| 12 | 4 | a | 2 |
| 13 | 5 | a | 0 |
| 14 | 5 | a | 2 |
合并小結
1）默認情況下，會將兩個表中相同列名作為連接鍵
2）多對多，會采用笛卡爾積形式鏈接（左表連接鍵有三個值‘1，3，5'，右表有兩個值‘2，3'，則會形成，（1，2）（1，3）（3，1），（3，2）。。。6種組合）
3）存在多個連接鍵的處理
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
| key1 | key2 | lval | |
|---|---|---|---|
| 0 | foo | one | 1 |
| 1 | foo | one | 2 |
| 2 | bar | two | 3 |
right
| key1 | key2 | rval | |
|---|---|---|---|
| 0 | foo | one | 4 |
| 1 | foo | one | 5 |
| 2 | bar | one | 6 |
| 3 | bar | two | 7 |
pd.merge(left,right,on = ['key1','key2'],how = 'outer')
| key1 | key2 | lval | rval | |
|---|---|---|---|---|
| 0 | foo | one | 1.0 | 4 |
| 1 | foo | one | 1.0 | 5 |
| 2 | foo | one | 2.0 | 4 |
| 3 | foo | one | 2.0 | 5 |
| 4 | bar | two | 3.0 | 7 |
| 5 | bar | one | NaN | 6 |
1）連接鍵是多對多關系，應執行笛卡爾積形式
2）多列應看連接鍵值對是否一致
4）對連接表中非連接列的重復列名的處理
pd.merge(left,right,on = 'key1')
| key1 | key2_x | lval | key2_y | rval | |
|---|---|---|---|---|---|
| 0 | foo | one | 1 | one | 4 |
| 1 | foo | one | 1 | one | 5 |
| 2 | foo | one | 2 | one | 4 |
| 3 | foo | one | 2 | one | 5 |
| 4 | bar | two | 3 | one | 6 |
| 5 | bar | two | 3 | two | 7 |
pd.merge(left,right,on = 'key1',suffixes = ('_left','_right'))
| key1 | key2_left | lval | key2_right | rval | |
|---|---|---|---|---|---|
| 0 | foo | one | 1 | one | 4 |
| 1 | foo | one | 1 | one | 5 |
| 2 | foo | one | 2 | one | 4 |
| 3 | foo | one | 2 | one | 5 |
| 4 | bar | two | 3 | one | 6 |
| 5 | bar | two | 3 | two | 7 |
2）索引上的合并
當連接鍵位于索引中時，成為索引上的合并，可以通過merge函數，傳入left_index、right_index來說明應該被索引的情況。
一表中連接鍵是索引列、另一表連接鍵是非索引列
left1 = pd.DataFrame({'key':['a','b','a','a','b','c'],'value': range(6)})
left1
| key | value | |
|---|---|---|
| 0 | a | 0 |
| 1 | b | 1 |
| 2 | a | 2 |
| 3 | a | 3 |
| 4 | b | 4 |
| 5 | c | 5 |
right1 = pd.DataFrame({'group_val':[3.5,7]},index = ['a','b'])
right1
| group_val | |
|---|---|
| a | 3.5 |
| b | 7.0 |
pd.merge(left1,right1,left_on = 'key',right_index = True)
| key | value | group_val | |
|---|---|---|---|
| 0 | a | 0 | 3.5 |
| 2 | a | 2 | 3.5 |
| 3 | a | 3 | 3.5 |
| 1 | b | 1 | 7.0 |
| 4 | b | 4 | 7.0 |
有上可知，left_on、right_on是指定表中非索引列為連接鍵，left_index、right_index是指定表中索引列為連接鍵，兩者可以組合，是為了區分是否是索引列
兩個表中的索引列都是連接鍵
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
| 0hio | nevada | |
|---|---|---|
| a | 0 | 1 |
| b | 2 | 3 |
| e | 4 | 5 |
right2
| misso | ala | |
|---|---|---|
| b | 7 | 8 |
| c | 9 | 10 |
| d | 11 | 12 |
| e | 13 | 14 |
pd.merge(left2,right2,left_index = True,right_index = True,how = 'outer')
| 0hio | nevada | misso | ala | |
|---|---|---|---|---|
| a | 0.0 | 1.0 | NaN | NaN |
| b | 2.0 | 3.0 | 7.0 | 8.0 |
| c | NaN | NaN | 9.0 | 10.0 |
| d | NaN | NaN | 11.0 | 12.0 |
| e | 4.0 | 5.0 | 13.0 | 14.0 |
3）軸向連接
在這里展示一種新的連接方法，對應于numpy的concatenate函數，pandas有concat函數
#numpy arr =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)#橫軸連接塊
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函數參數表格
| 參數 | 說明 |
|---|---|
| objs | 參與連接的列表或字典，且列表或字典里的對象是pandas數據類型，唯一必須給定的參數 |
| axis=0 | 指明連接的軸向，0是縱軸，1是橫軸，默認是0 |
| join | ‘inner'（交集），‘outer'（并集），默認是‘outer'指明軸向索引的索引是交集還是并集 |
| join_axis | 指明用于其他n-1條軸的索引（層次化索引，某個軸向有多個索引），不執行交并集 |
| keys | 與連接對象有關的值，用于形成連接軸向上的層次化索引（外層索引），可以是任意值的列表或數組、元組數據、數組列表（如果將levels設置成多級數組的話） |
| levels | 指定用作層次化索引各級別（內層索引）上的索引，如果設置keys的話 |
| names | 用于創建分層級別的名稱，如果設置keys或levels的話 |
| verify_integrity | 檢查結果對象新軸上的重復情況，如果發橫則引發異常，默認False，允許重復 |
| ignore_index | 不保留連接軸上的索引，產生一組新索引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])#默認并集、縱向連接
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)#生成縱軸上的并集，索引會自動生成新的一列
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')#縱向取交集,注意該方法對對象表中有重復索引時失效
| 0 | 1 | 2 | |
|---|---|---|---|
| c | 2 | 2 | 4 |
pd.concat([s1,s2,s3],axis = 1,join = 'outer')#橫向索引取并集，縱向索引取交集,注意該方法對對象表中有重復索引時失效
| 0 | 1 | 2 | |
|---|---|---|---|
| a | 0.0 | NaN | NaN |
| b | 1.0 | NaN | NaN |
| c | 2.0 | 2.0 | 4.0 |
| e | NaN | 4.0 | NaN |
| f | NaN | 3.0 | 5.0 |
| g | NaN | NaN | 6.0 |
concat函數小結
1）縱向連接，ignore_index = False ,可能生成重復的索引
2）橫向連接時，對象索引不能重復
4）合并重疊數據
適用范圍：
1）當兩個對象的索引有部分或全部重疊時
2）用參數對象中的數據為調用者對象的缺失數據‘打補丁'
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 NaN b 2.5 c NaN d 3.5 e 4.5 f NaN dtype: float64
b
a 0 b 1 c 2 d 3 e 4 f 5 dtype: int32
a.combine_first(b)#利用b填補了a的空值
a 0.0 b 2.5 c 2.0 d 3.5 e 4.5 f 5.0 dtype: 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)#部分索引重疊
a 0.0 b 2.5 c 2.0 d 3.5 e 4.5 f 5.0 g NaN dtype: float64
小結
本篇博客主要講述了一下內容：
1） merge函數合并數據集
2）concat函數合并數據集
3）combine_first函數，含有重疊索引的缺失值填補
以上這篇python merge、concat合并數據集的實例講解就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
