這篇文章主要介紹“Python中Pandas數據合并方法有哪些”，在日常操作中，相信很多人在Python中Pandas數據合并方法有哪些問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”Python中Pandas數據合并方法有哪些”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！
concat() 可用于兩個及多個 DataFrame 間行/列方向進行內聯或外聯拼接操作，默認對行(沿 y 軸)取并集。
使用方式
pd.concat( objs: Union[Iterable[~FrameOrSeries], Mapping[Union[Hashable, NoneType], ~FrameOrSeries]], axis=0, join='outer', ignore_index: bool = False, keys=None, levels=None, names=None, verify_integrity: bool = False, sort: bool = False, copy: bool = True, )
objs：一個序列或是Series，DataFrame對象的映射。
axis：連接的軸，0(‘index'，行)，1(‘columns',列)，默認為0。
join：連接方式 ，inner(交集), outer(并集)，默認為outer。
ignore_index：是否重置串聯軸的索引值。如果為True，則重置索引為0，…, n - 1。
keys：創建層次化索引?？梢允侨我庵档牧斜砘驍到M、元組數組、數組列表（如果將levels設置成多級數組的話）
names：生成的分層索引中級別的名稱。
創建兩個 DataFrame。
df1 = pd.DataFrame(
{'char': ['a', 'b'],
'num': [1, 2]})
df2 = pd.DataFrame(
{'char': ['b', 'c'],
'num': [3, 4]})
concat() 默認會對行方向進行拼接操作，連接方式 outer。
pd.concat([d1, d2])
清除現有索引并重置索引。
pd.concat( [d1, d2], ignore_index=True)
通過 keys 參數在數據的最外層添加分層索引。
pd.concat( [d1, d2], keys=['d1', 'd2'])
指定 names 參數來標記創建的索引鍵。
pd.concat( [d1, d1], keys=['d1', 'd2'], names=['DF Name', 'Row ID'])
將兩個 DataFrame 與重疊的列進行組合并返回所有內容。 交集外的列填充 NaN。
df3 = pd.DataFrame(
{'char': ['b', 'c'],
'float': [3.0, 4.0]})
pd.concat([df1, df3])
將兩個 DataFrame 與重疊的列進行組合，只返回重疊列的內容。
pd.concat( [df1, df3], join="inner")
指定 axis=1 沿 x 軸水平組合 DataFrame 對象。
df4 = pd.DataFrame(
{'char': ['b', 'c', 'd'],
'num': [3, 4, 5]},
index=range(1, 4))
pd.concat([df1, df4], axis=1)
merge() 只能用于兩個 DataFrame 間列方向進行內聯或外聯合并操作，默認列合并(沿 x 軸)，取交集（即：以兩個 DataFrame 列名的交集作為連接鍵）
使用方式
pd.merge(
left,
right,
how: str = 'inner',
on=None,
left_on=None,
right_on=None,
left_index: bool = False,
right_index: bool = False,
sort: bool = False,
suffixes=('_x', '_y'),
copy: bool = True,
indicator: bool = False,
validate=None,
)left：DataFrame
right：DataFrame 或者帶有 name 的Series
how：{‘left', ‘right', ‘outer', ‘inner'}, 默認為 ‘inner'，連接的方式
on：用于連接的列索引名稱，必須同時存在于左、右兩個DataFrame中，默認是以兩個DataFrame列名的交集作為連接鍵。
left_on：左側DataFrame中用于連接鍵的列名，這個參數在左右列名不同但代表的含義相同時非常有用；
right_on：右側DataFrame中用于連接鍵的列名
left_index：默認為False，不使用左側DataFrame中的行索引作為連接鍵（但是這種情況下最好用JOIN）
right_index：默認為False，不使用右側DataFrame中的行索引作為連接鍵（ 但是這種情況下最好用JOIN）
sort：默認為False，將合并的數據進行排序，設置為False可以提高性能
suffixes：字符串值組成的元組，用于指定當左右DataFrame存在相同列名時在列名后面附加的后綴名稱，默認為('_x', ‘_y')
copy：默認為True，總是將數據復制到數據結構中，設置為False可以提高性能
indicator：顯示合并數據中數據的來源情況
validate：{“one_to_one” or “1:1”, “one_to_many” or “1:m”, “many_to_one” or “m:1”, “many_to_many” or “m:m”}如果指定，則檢查合并是否為指定類型。
創建兩個DataFrame。
df1 = pd.DataFrame(
{'name': ['A1', 'B1', 'C1'],
'grade': [60, 70, 80]})
df2 = pd.DataFrame(
{'name': ['B1', 'C1', 'D1'],
'grade': [70, 80, 100]})
merge() 默認情況下，會根據兩個 DataFrame 中同時存在的列進行合并，合并方法采用取交集的方式。
df1.merge(df2)
指定合并的方式為 outer，取并集。
df1.merge(df2, how='outer')
下面再創建兩個 DataFrame。
df1 = pd.DataFrame(
{'name1': ['A1', 'B1', 'B1', 'C1'],
'grade': [60, 70, 80, 90]})
df2 = pd.DataFrame(
{'name2': ['B1', 'C1', 'D1', 'E1'],
'grade': [70, 80, 90, 100]})
根據 name1 和 name2 列合并 df1 和 df2。 grade 列附加了默認后綴 _x 和 _y。
df1.merge( df2, left_on='name1', right_on='name2')
合并 df1 和 df2，并將指定的左右后綴附加到重疊列末尾。
df1.merge(
df2,
left_on='name1',
right_on='name2',
suffixes=('_1', '_2'))
append() 可用于兩個及多個 DataFrame 間行方向(沿 y 軸)的拼接操作，默認取并集。
使用方式
df1.append( other, ignore_index=False, verify_integrity=False, sort=False)
other : 指定要添加的數據。DataFrame 或 Series 對象，或這些對象的列表
ignore_index: 是否忽略索引，如果為 True，軸將被重置為 0, 1, …, n - 1。默認為False
verify_integrity：如果為 True，則在創建具有重復項的索引時引發 ValueError。默認為 False
sort : 如果 df1 和 other 的列未對齊，則對列進行排序。默認為 False。
創建兩個 DataFrame。
df1 = pd.DataFrame(
[[1, 2], [3, 4]],
columns=list('AB'))
df2 = pd.DataFrame(
[[5, 6], [7, 8]],
columns=list('BC'))
append() 在默認情況下會沿y軸垂直拼接兩個 DataFrame ，df1，df2 交集外的列填充 NaN。
df1.append(df2)
將 ignore_index 設置為 True，來達到重置軸的索引。
df1.append(df2, ignore_index=True)
join() 用于兩個及多個 DataFrame 間列方向(沿 x 軸)的拼接操作，默認左拼接。
使用方式
df1.join( other, on=None, how='left', lsuffix='', rsuffix='', sort=False)
other：指定要添加的數據。DataFrame 或 Series 對象，或這些對象的列表
on：連接的列，默認使用索引連接
how：{‘left', ‘right', ‘outer', ‘inner'}, 默認為 ‘left'，連接的方式
lsuffix：默認為空字符串，表示df1中重復列的后綴
rsuffix：other中重復列的后綴
sort：按照字典順序對結果在連接鍵上排序。如果為False，連接鍵的順序取決于連接類型（關鍵字）。
創建兩個 DataFrame。
df1 = pd.DataFrame(
{'A': ['A0', 'A1', 'A2', 'A3', 'A4'],
'val': ['V0', 'V1', 'V2', 'V3', 'V4']})
df2 = pd.DataFrame(
{'B': ['B3', 'B4', 'B5'],
'val': ['V3', 'V4', 'V5']})
如果我們想使用 val 列進行連接，我們需要將 val 設置為 df1 和 df2 中的索引。
df1.set_index('val').join(
df2.set_index('val'))
使用 val 列連接的另一個方法是指定 on 參數。 df1.join 只能使用 df2 的索引，但可以使用 df1 中的任何列。所以可以只將 df2 中的 val 列轉為索引，并通過 on 參數指定 df1 的連接列為 val。
df1.join(
df2.set_index('val'),
on='val')
使用外連接的方式連接 df1，df2
df1.join(
df2.set_index('val'),
on='val',
how='outer')
到此，關于“Python中Pandas數據合并方法有哪些”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！
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。
