Pandas中Concat与Append的实现与区别小结
更新时间：2023年11月22日 09:30:27 作者：阿松爱睡觉
本文主要介绍了Pandas中Concat与Append的实现与区别小结,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
在Numpy中，我们介绍过可以用np.concatenate、np.stack、np.vstack和np.hstack实现合并功能。Pandas中有一个pd.concat()函数与concatenate语法类似，但是配置参数更多，功能也更强大。
主要参数：
pd.concat()可以简单地合并一维的Series或DataFrame对象。
# Series合并
ser1 = pd.Series(['A', 'B', 'C'], index=[1, 2, 3])
ser2 = pd.Series(['D', 'E', 'F'], index=[4, 5, 6])
pd.concat([ser1,ser2])
Out：
1 A
2 B
3 C
4 D
5 E
6 F
dtype: object
# DataFrame合并，将concat的axis参数设置为1即可横向合并
df1 = pd.DataFrame([["A1","B1"],["A2","B2"]],index=[1,2],columns=["A","B"])
df2 = pd.DataFrame([["A3","B3"],["A4","B4"]],index=[3,4],columns=["A","B"])
pd.concat([df1,df2])
Out：
A B
1 A1 B1
2 A2 B2
3 A3 B3
4 A4 B4
合并时索引的处理
np.concatenate与pd.concat最主要的差异之一就是Pandas在合并时会保留索引，即使索引是重复的！
df3 = pd.DataFrame([["A1","B1"],["A2","B2"]],index=[1,2],columns=["A","B"])
df4 = pd.DataFrame([["A1","B1"],["A2","B2"]],index=[1,2],columns=["A","B"])
pd.concat([df3,df4])
Out：
A B
1 A1 B1
2 A2 B2
1 A3 B3
2 A4 B4
- 如果你想要检测pd.concat()合并的结果中是否出现了重复的索引，可以设置verify_integrity参数。将参数设置为True，合并时若有索引重复就会触发异常。
try:
pd.concat([df3, df4], verify_integrity=True)
except ValueError as e:
print("ValueError:", e)
Out：
ValueError: Indexes have overlapping values: [0, 1]
- 有时索引无关紧要，那么合并时就可以忽略它们，可以通过设置 ignore_index参数为True来实现。
pd.concat([df3,df4],ignore_index=True) Out： A B 0 A0 B0 1 A1 B1 2 A2 B2 3 A3 B3
- 另一种处理索引重复的方法是通过keys参数为数据源设置多级索引标签，这样结果数据就会带上多级索引。
pd.concat([df3, df4], keys=['x', 'y'])
Out：
A B
x 0 A0 B0
1 A1 B1
y 0 A2 B2
1 A3 B3
join和join_axes参数
前面介绍的简单示例都有一个共同特点，那就是合并的DataFrame都是同样的列名。而在实际工作中，需要合并的数据往往带有不同的列名，而 pd.concat提供了一些参数来解决这类合并问题。
df5 = pd.DataFrame([["A1","B1","C1"],["A2","B2","C2"]],index=[1,2],columns=["A","B","C"])
df6 = pd.DataFrame([["B3","C3","D3"],["B4","C4","D4"]],index=[3,4],columns=["B","C","D"])
pd.concat([df5,df6])
Out：
A B C D
1 A1 B1 C1 NaN
2 A2 B2 C2 NaN
3 NaN B3 C3 D3
4 NaN B4 C4 D4
可以看到，结果中出现了缺失值，如果不想出现缺失值，可以使用join和join_axes参数。
pd.concat([df5,df6],join="inner") # 合并取交集
Out：
B C
1 B1 C1
2 B2 C2
3 B3 C3
4 B4 C4
# join_axes的参数需为一个列表索引对象
pd.concat([df5,df6],join_axes=[pd.Index(["B","C"])])
Out：
B C
1 B1 C1
2 B2 C2
3 B3 C3
4 B4 C4
append()方法
因为直接进行数组合并的需求非常普遍，所以Series和DataFrame 对象都支持append方法，让你通过最少的代码实现合并功能。例如，df1.append(df2)效果与pd.concat([df1,df2])一样。
但是它和Python中的append不一样，每次使用Pandas中的append()都需要重新创建索引和数据缓存。
到此这篇关于Pandas中Concat与Append的实现的文章就介绍到这了,更多相关Pandas Concat与Append内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
本文主要介绍了Python如何实用File文件的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2023-02-02
在学习Python过程中，我们已经了解了一些关于时间操作的库，如：Python内置库：time，datatime和第三方库：dateutil,pytz等。本文将详细讲讲pytz模块的使用，需要的可以参考一下2022-06-06
零基础写python爬虫之抓取百度贴吧并存储到本地txt文件改进版
前面已经发了一篇关于百度贴吧抓取的代码，今天我们来看下代码的改进版，参考了上篇抓取糗事百科的思路，给需要的小伙伴们参考下吧2014-11-11
Matplotlib作为Python的2D绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。本文将利用Matplotlib库绘制散点图，感兴趣的可以了解一下2022-03-03
这篇文章主要为大家详细介绍了python实现简单的五子棋游戏，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2020-09-09
这篇文章主要介绍了在Python中用split()方法分割字符串的使用介绍,是Python入门中的基础知识,需要的朋友可以参考下2015-05-05
这篇文章主要介绍了pandas按条件筛选数据的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2021-02-02
这篇文章主要介绍了Python实现提取XML内容并保存到Excel中的方法,涉及Python针对xml文件的读取、解析以及Excel文件的写入、保存等相关操作技巧,需要的朋友可以参考下2018-09-09
这篇文章主要介绍了Python实现读取邮箱中的邮件功能,可读取邮件文本及附件的功能,涉及Python针对邮件的获取、分析、保存等相关操作技巧,需要的朋友可以参考下2017-08-08
Python办公⾃动化是利⽤Python编程语⾔来创建脚本和程序,以简化、加速和⾃动化⽇常办公任务和⼯作流程的过程,它基于Python的强⼤功能和丰富的第三⽅库,使得能够处理各种办公任务,本文给大家介绍了Python对PDF文档和PPT文档的操作,需要的朋友可以参考下2023-12-12
最新评论