Pandas之数据追加df.append方式
更新时间：2023年08月15日 09:49:23 作者：山茶花开时。
这篇文章主要介绍了Pandas之数据追加df.append方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
Pandas 数据追加df.append
df.append()可以将其他DataFrame附加到调用方的末尾，并返回一个新对象
它是最简单、最常用的数据合并方式
语法
df.append(other, ignore_index=False, verify_integrity=False, sort=False)
参数
other:调用方要追加的其他DataFrame或者类似序列内容。可以放入一个由DataFrame组成的列表，将所有DataFrame追加起来ignore_index:如果为True，则重新进行自然索引verify_integrity:如果为True,则遇到重复索引内容时报错sort:进行排序
1.相同结构
如果数据的字段相同，直接使用第一个DataFrame的append()方法，传入第二个DataFrame。
如果需要追加多个DataFrame，可以将它们组成一个列表再传入
import pandas as pd
df1 = pd.DataFrame({'x':[1,2],'y':[3,4]})
df2 = pd.DataFrame({'x':[5,6],'y':[7,8]})
res1 = df1.append(df2)
# 追加多个数据
res2 = df1.append([df2,df2,df2])结果展示
df1
df2
res1
res2
2.不同结构
对于不同结构的追加，一方有而另一方没有的列会增加，没有内容的位置用NaN填充
import pandas as pd
df1 = pd.DataFrame({'x':[1,2],'y':[3,4]})
df3 = pd.DataFrame({'y':[5,6],'z':[7,8]})
# 追加合并
res = df1.append(df3)结果展示
df1
df3
res
3.忽略索引
追加操作索引默认为原数据的，不会改变，如果需要忽略，可以传入ignore_index = True
import pandas as pd
df1 = pd.DataFrame({'x':[1,2],'y':[3,4]})
df2 = pd.DataFrame({'x':[5,6],'y':[7,8]})
# 忽略索引
res = df1.append(df2, ignore_index=True)结果展示
df1
df2
res
4.重复内容
重复内容默认是可以追加的，如果传入verify_integrity = True参数和值，则会检测追加内容是否重复，如有重复会报错
import pandas as pd
df1 = pd.DataFrame({'x':[1,2],'y':[3,4]})
df2 = pd.DataFrame({'x':[5,6],'y':[7,8]})
# 合并两个相同的内容(报错)
df1.append([df2,df2], verify_integrity=True)结果展示
df1
df2
5.追加序列
append()除了追加DataFrame外，还可以追加一个Series,经常用于数据添加更新场景
import pandas as pd
df = pd.DataFrame([['liver','E',89,21,24,64],
['Arry','C',36,37,37,57],
['Ack','A',57,60,18,84],
['Eorge','C',93,96,71,78],
['Oah','D',65,49,61,86]
],
columns = ['name','team','Q1','Q2','Q3','Q4'])
# 定义新同学的信息
lily = pd.Series(['lily','C',55,56,57,58],
index=['name','team','Q1','Q2','Q3','Q4'])
# 追加
df = df.append(lily, ignore_index=True)结果展示
原df
lily
新df
6.追加字典
append()还可以追加字典
import pandas as pd
df = pd.DataFrame([['liver','E',89,21,24,64],
['Arry','C',36,37,37,57],
['Ack','A',57,60,18,84],
['Eorge','C',93,96,71,78],
['Oah','D',65,49,61,86]
],
columns = ['name','team','Q1','Q2','Q3','Q4'])
# 将学生信息定义为一个字典
lily = {'name':'lily','team':'C','Q1':55,'Q2':56,'Q3':57,'Q4':58}
df = df.append(lily, ignore_index=True)结果展示
原df
lily
新df
扩展练习案例
import pandas as pd df_list = [] df1 = pd.DataFrame([['A',1]],columns = ['Site','number']) df_list.append(df1) df2 = pd.DataFrame([['B',2]],columns = ['Site','number']) df_list.append(df2) df_all = pd.concat([df1,df2]) df3 = pd.DataFrame([['C',3]],columns = ['Site','number']) df_list.append(df3) df_all = pd.concat(df_list) df_all = df_all.reset_index(drop=True)
df1
df2
df3
df_all
df_list
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。
相关文章
这篇文章主要为大家详细介绍了Python NumPy中索引的使用方法，文中的示例代码讲解详细，对我们学习Python有一定帮助，需要的可以参考一下2022-08-08
这篇文章主要介绍了Pytorch 高效使用GPU的操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-06-06
这篇文章主要介绍了python中模块的__all__属性详解，具有一定参考价值，需要的朋友可以了解下。2017-10-10
这篇文章主要为大家详细介绍了python实现大量图片重命名，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2019-10-10
这篇文章主要介绍了python按照多个字符对字符串进行分割的方法,涉及Python中正则表达式匹配的技巧,非常具有实用价值,需要的朋友可以参考下2015-03-03
浅析Python中正则表达式函数search()和match()的使用
在Python中，正则表达式是处理字符串的强大工具，search()和match()是Python标准库中re模块中两个常用的正则表达式方法，本文将详细讲解这两个方法的使用，需要的可以参考一下2023-08-08
在本篇文章里小编给大家整理的是关于Python转换时间的方法以及具体步骤流程，需要的朋友们参考下。2019-07-07
python 捕获 shell/bash 脚本的输出结果实例
下面小编就为大家带来一篇python 捕获 shell/bash 脚本的输出结果实例。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧2017-01-01
由于马上就要期末考试了,正在抓紧时间复习 所以这一篇就拖了很久,抱歉啦~ 今天会说说： 属性私有,方法私有,重写,魔术方法,需要的朋友可以参考下2021-01-01
今天小编就为大家分享一篇关于Python反爬虫技术之防止IP地址被封杀的讲解，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧2019-01-01
最新评论