这一部分非常关键！
数据分析和建模方面的大量编程工作都是用在数据准备上的：加载、清理、转换以及重塑。
1、合并数据集
- pandas对象中的数据可以通过 一些内置的方式进行合并：
- pandas.merge可根据一个或多个健将不同DataFrame中的行连接起来。实现的就是数据库的连接操作
- pandas.concat可以沿着一条轴将多个对象堆叠到一起
- 实例方法combine_first可以将重复数据编接在一起，用一个对象中的值填充另一个对象中的缺失值（通俗来说，差不多就是数据库的全外连接，简单地说，就是先从第一个对象中选值，不行就再去第二个对象中选值）
@数据库风格的DataFrame合并
数据集的合并（merge）或连接（join）运算是通过一个或多个键将行链接起来的。这些运算是关系型数据库的核心。pandas的merge函数是对数据应用这些算法的主要切入点。
import pandas as pd df1 = pd.DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'a', 'b'], 'data1': range(7)}) Out[15]:
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)}) Out[16]:
data2 key
0 0 a
1 1 b
2 2 d
df1 df2 #这是一种多对一的合并，df1中的数据有多个被标记为a和b的行，而df2中key列的每个值则仅对应一行 pd.merge(df1, df2)
Out[17]:
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
注意，这里并没有指明用哪个列进行连接。如果没有指定，merge就会将重叠列的列名当作 键，不过，最好显示指定一下
#注意，这里并没有指明用哪个列进行连接。如果没有指定，merge就会将重叠列的列名当作 键，不过，最好显示指定一下 pd.merge(df1, df2, on = 'key') #如果两个对象的列名不同，也可以分别进行指定 df3 = pd.DataFrame({'lkey': ['b', 'b', 'a', 'c', 'a', 'a', 'b'], 'data1': range(7)}) df4 = pd.DataFrame({'rkey': ['a', 'b', 'd'], 'data2': range(3)}) pd.merge(df3, df4, left_on = 'lkey', right_on = 'rkey')
Out[20]:
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
但注意到，结果里面c和d以及与之相关的数据都消失了，默认情况下，merge做的是inner连接；结果中的键是交集。
其他方式还有left 、right以及outer。外连接求取的是键的并集，组合了左连接和右连接的效果
pd.merge(df1, df2, how = 'outer') Out[21]: 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
多对多的合并操作非常简单，无需额外的工作
#多对多的合并操作 df1 = pd.DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'b'], 'data1': range(6)}) df2 = pd.DataFrame({'key': ['a', 'b', 'a', 'b', 'd'], 'data2': range(5)}) df1 df2 pd.merge(df1, df2, on = 'key', how = 'left')
Out[26]:
data1 key data2
0 0 b 1.0
1 0 b 3.0
2 1 b 1.0
3 1 b 3.0
4 2 a 0.0
5 2 a 2.0
6 3 c NaN
7 4 a 0.0
8 4 a 2.0
9 5 b 1.0
10 5 b 3.0
#多对多连接产生的是行的笛卡尔积。由于左边的DataFrame有3个b行，右边有2个，所以最终结果中就有6个b行，连接方式只影响出现在结果中键
pd.merge(df1, df2, on = 'key', how = 'left')
#多对多连接产生的是行的笛卡尔积。由于左边的DataFrame有3个b行，右边有2个，所以最终结果中就有6个b行，连接方式只影响出现在结果中键
pd.merge(df1, df2, how = 'inner')
pd.merge(df1, df2, on = 'key', how = 'left')
Out[26]:
data1 key data2
0 0 b 1.0
1 0 b 3.0
2 1 b 1.0
3 1 b 3.0
4 2 a 0.0
5 2 a 2.0
6 3 c NaN
7 4 a 0.0
8 4 a 2.0
9 5 b 1.0
10 5 b 3.0
pd.merge(df1, df2, how = 'inner')
Out[27]:
data1 key data2
0 0 b 1
1 0 b 3
2 1 b 1
3 1 b 3
4 5 b 1
5 5 b 3
6 2 a 0
7 2 a 2
8 4 a 0
9 4 a 2
要根据多个键进行合并，传入一个由列名组成的列表即可
left = pd.DataFrame({'key1': ['foo', 'foo', 'bar'],
'key2': ['one', 'two', 'one'],
'lva1': [1, 2, 3]})
right = pd.DataFrame({'key1': ['foo', 'foo', 'bar', 'bar'],
'key2': ['one', 'one', 'one', 'two'],
'rva1': [4, 5, 6, 7]})
pd.merge(left, right, on = ['key1', 'key2'], how = 'outer')
Out[32]:
key1 key2 lva1 rva1
0 foo one 1.0 4.0
1 foo one 1.0 5.0
2 foo two 2.0 NaN
3 bar one 3.0 6.0
4 bar two NaN 7.0
结果中会出现哪些键组合取决于所选的合并方式，可以这样理解：多个键组成一系列元组，并将其当作单个连接键
警告：在进行列-列连接时，DataFrame对象中的索引会被丢弃
left
Out[33]:
key1 key2 lva1
0 foo one 1
1 foo two 2
2 bar one 3
right
Out[34]:
key1 key2 rva1
0 foo one 4
1 foo one 5
2 bar one 6
3 bar two 7
#对于合并运算需要考虑的最后一个问题是对重复列名的处理。虽然你可以手工处理列名重叠的问题，但merge有一个更实用的suffixes选项，用于指定 #附加到左右两个DataFrame对象的重叠列名上的字符串 pd.merge(left, right, on = 'key1')
Out[35]:
key1 key2_x lva1 key2_y rva1
0 foo one 1 one 4
1 foo one 1 one 5
2 foo two 2 one 4
3 foo two 2 one 5
4 bar one 3 one 6
5 bar one 3 two 7
pd.merge(left, right, on = 'key1', suffixes = ('_left', '_right'))
Out[36]:
key1 key2_left lva1 key2_right rva1
0 foo one 1 one 4
1 foo one 1 one 5
2 foo two 2 one 4
3 foo two 2 one 5
4 bar one 3 one 6
5 bar one 3 two 7
merge函数有参数
标注：sort 根据连接键对合并后的数据进行排序，默认为True, 有时在处理大数据集时，禁用该选项可获得更好的性能
suffixes 字符串元组，用于追加到重叠列名的末尾，默认为（’_x‘, '_y'）.
copy 设置为False, 可以在某些特殊情况下避免将数据复制到结果数据结构中，默认总是复制
@索引上的合并
有时候，连接键位于索引中，在这种情况下，你可以传入left_index = True 或 right_index= True（或者两个都传）以说明索引应用被用作连接键
left1 = pd.DataFrame({'key': ['a', 'b', 'a', 'a', 'b', 'c'], 'value': range(6)})
left1
Out[37]:
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
Out[40]:
group_val
a 3.5
b 7.0
pd.merge(left1, right1, left_on = 'key', right_index = True)
Out[41]:
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
由于默认的merge方法是求取连接键的交集，因此可以通过外连接的方式得到它们的并集
pd.merge(left1, right1, left_on = 'key', right_index = True, how = 'outer') Out[42]: 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 5 c 5 NaN
对于层次化索引的数据
import numpy as np lefth = pd.DataFrame({'key1': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'], 'key2': [2000, 2001, 2002, 2001, 2002], 'lva1': np.arange(5)}) lefth Out[46]: key1 key2 lva1 0 Ohio 2000 0 1 Ohio 2001 1 2 Ohio 2002 2 3 Nevada 2001 3 4 Nevada 2002 4
righth = pd.DataFrame(np.arange(12).reshape((6, 2)), index = [['Nevada', 'Nevada','Ohio', 'Ohio', 'Ohio', 'Ohio'], [2001, 2000, 2000, 2000, 2001, 2002]], columns = ['event1', 'event2']) righth Out[51]: event1 event2 Nevada 2001 0 1 2000 2 3 Ohio 2000 4 5 2000 6 7 2001 8 9 2002 10 11
这种情况下，你必须以列表的形式指明用作合并键的多个列（注意对重复索引值的处理）
pd.merge(lefth, righth, left_on = ['key1', 'key2'], right_index = True) Out[52]: key1 key2 lva1 event1 event2 0 Ohio 2000 0 4 5 0 Ohio 2000 0 6 7 1 Ohio 2001 1 8 9 2 Ohio 2002 2 10 11 3 Nevada 2001 3 0 1
pd.merge(lefth, righth, left_on = ['key1', 'key2'], right_index = True, how = 'outer') Out[53]: key1 key2 lva1 event1 event2 0 Ohio 2000 0.0 4.0 5.0 0 Ohio 2000 0.0 6.0 7.0 1 Ohio 2001 1.0 8.0 9.0 2 Ohio 2002 2.0 10.0 11.0 3 Nevada 2001 3.0 0.0 1.0 4 Nevada 2002 4.0 NaN NaN 4 Nevada 2000 NaN 2.0 3.0
同时使用合并双方的索引也没问题
left2 = pd.DataFrame([[1., 2.], [3., 4.], [5., 6.]], index = ['a', 'c', 'e'], columns = ['Ohio', 'Nevada']) left2 Out[55]: Ohio Nevada a 1.0 2.0 c 3.0 4.0 e 5.0 6.0 right2 = pd.DataFrame([[7., 8.], [9., 10.], [11., 12.], [13., 14.]], index = ['b', 'c', 'd', 'e'], columns = ['Missouri', 'Alabama']) right2 Out[57]: Missouri Alabama b 7.0 8.0 c 9.0 10.0 d 11.0 12.0 e 13.0 14.0 pd.merge(left2, right2, how = 'outer', left_index = True, right_index = True) Out[58]: Ohio Nevada Missouri Alabama a 1.0 2.0 NaN NaN b NaN NaN 7.0 8.0 c 3.0 4.0 9.0 10.0 d NaN NaN 11.0 12.0 e 5.0 6.0 13.0 14.0
DataFrame还有一个join实例方法，它能更为方便地实现按索引合并。它还还可用于合并多个带有相同或相似索引的DataFrame对象，而不管它们之间有没有重叠的列
left2.join(right2, how = 'outer') Out[59]: Ohio Nevada Missouri Alabama a 1.0 2.0 NaN NaN b NaN NaN 7.0 8.0 c 3.0 4.0 9.0 10.0 d NaN NaN 11.0 12.0 e 5.0 6.0 13.0 14.0
#支持参数DataFrame的索引跟调用者DataFrame的某个列之间的连接
left1.join(right1, on = 'key') Out[60]: key value group_val 0 a 0 3.5 1 b 1 7.0 2 a 2 3.5 3 a 3 3.5 4 b 4 7.0 5 c 5 NaN
对于简单的索引合并，还可以向join传入一组DataFrame
another = pd.DataFrame([[7., 8.], [9., 10.], [11., 12.], [16., 17.]], index = ['a', 'c', 'e', 'f'], columns = ['New York', 'Oregon'])
left2
Out[66]:
Ohio Nevada
a 1.0 2.0
c 3.0 4.0
e 5.0 6.0
another Out[63]: New York Oregon a 7.0 8.0 c 9.0 10.0 e 11.0 12.0 f 16.0 17.0 right2 Out[64]: Missouri Alabama b 7.0 8.0 c 9.0 10.0 d 11.0 12.0 e 13.0 14.0 left2.join([right2, another]) Out[65]: In [66]: Ohio Nevada Missouri Alabama New York Oregon a 1.0 2.0 NaN NaN 7.0 8.0 c 3.0 4.0 9.0 10.0 9.0 10.0 e 5.0 6.0 13.0 14.0 11.0 12.0
left2.join([right2, another], how = 'outer') Out[67]: Ohio Nevada Missouri Alabama New York Oregon a 1.0 2.0 NaN NaN 7.0 8.0 b NaN NaN 7.0 8.0 NaN NaN c 3.0 4.0 9.0 10.0 9.0 10.0 d NaN NaN 11.0 12.0 NaN NaN e 5.0 6.0 13.0 14.0 11.0 12.0 f NaN NaN NaN NaN 16.0 17.0
@轴向连接
另一种数据合并运算也被称作连接、绑定或堆叠。numpy有一个用于合并原始numpy数组的concatenation函数
arr = np.arange(12).reshape((3, 4)) arr Out[69]: array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) np.concatenate([arr, arr], axis = 1) Out[70]: 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]])
对于pandas对象，Series和DataFrame, 带有标签的轴使你能够进一步推广数组的连接运算。具体点说，你还需要考虑以下这些东西
- 如果各对象其他轴上的索引不同，那些轴应该是做并集还是交集
- 结果对象中的分组需要各不相同吗
- 用于连接的轴重要吗
pandas的concat函数提供了一种能够解决这些问题的可靠方式。
假设三个没有重叠索引的Series:
s1 = pd.Series([0, 1], index = ['a', 'b']) s2 = pd.Series([2, 3, 4], index = ['c', 'd', 'e']) s3 = pd.Series([5, 6], index = ['f', 'g']) s1 Out[74]: a 0 b 1 dtype: int64 s2 Out[75]: c 2 d 3 e 4 dtype: int64 s3 Out[76]: f 5 g 6 dtype: int64 pd.concat([s1, s2, s3]) Out[77]: a 0 b 1 c 2 d 3 e 4 f 5 g 6 dtype: int64
默认情况下，concat是在axis = 0 上工作的，最终产生一个新的Series， 如果传入axis = 1，则结果就会变成一个DataFrame(axis =1 是列)
pd.concat([s1, s2, s3], axis =1) Out[78]: 0 1 2 a 0.0 NaN NaN b 1.0 NaN NaN c NaN 2.0 NaN d NaN 3.0 NaN e NaN 4.0 NaN f NaN NaN 5.0 g NaN NaN 6.0
另外一条轴上没有重叠，从索引的有序并集（外连接）上就可以看出来。传入join = 'inner'即可得到它们的交集
s4 = pd.concat([s1 * 5, s3]) s4 Out[99]: a 0 b 5 f 5 g 6 dtype: int64 pd.concat([s1, s4], axis = 1) Out[100]: 0 1 a 0.0 0 b 1.0 5 f NaN 5 g NaN 6 pd.concat([s1, s4], axis = 1, join = 'inner') Out[101]: 0 1 a 0 0 b 1 5
#你可以通过join_axes指定要在其他 轴上使用的索引 pd.concat([s1, s4], axis = 1, join_axes = [['a', 'c', 'b', 'e']]) Out[102]: 0 1 a 0.0 0.0 c NaN NaN b 1.0 5.0 e NaN NaN
#如果你想要在连接轴上创建一个层次化索引。使用keys参数 即可达到这个目的 result = pd.concat([s1, s2, s3], keys = ['one', 'two', 'three']) result Out[103]: one a 0 b 1 two c 2 d 3 e 4 three f 5 g 6 dtype: int64 result.unstack() Out[104]: a b c d e f g one 0.0 1.0 NaN NaN NaN NaN NaN two NaN NaN 2.0 3.0 4.0 NaN NaN three NaN NaN NaN NaN NaN 5.0 6.0
#如果沿着axis = 1 对Series进行合并，则keys就会成为DataFrame的列头 pd.concat([s1, s2, s3], axis = 1, keys = ['one', 'two', 'three']) Out[105]: one two three a 0.0 NaN NaN b 1.0 NaN NaN c NaN 2.0 NaN d NaN 3.0 NaN e NaN 4.0 NaN f NaN NaN 5.0 g NaN NaN 6.0
#同样的逻辑对DataFrame对象也是一样 df1 = pd.DataFrame(np.arange(6).reshape(3, 2), index = ['a', 'b', 'c'], columns = ['one', 'two']) df2 = pd.DataFrame(5 + np.arange(4).reshape(2, 2), index = ['a', 'c'], columns = ['three', 'four']) pd.concat([df1, df2], axis = 1, keys = ['level1', 'level2']) Out[106]: level1 level2 one two three four a 0 1 5.0 6.0 b 2 3 NaN NaN c 4 5 7.0 8.0
#如果传入的不是列表而是一个字典，则字典的键就会被当作keys选项的值 pd.concat({'level1': df1, 'level2': df2}, axis =1) Out[107]: level1 level2 one two three four a 0 1 5.0 6.0 b 2 3 NaN NaN c 4 5 7.0 8.0
#此外还有两个管理层次化索引创建方式的参数 pd.concat([df1, df2], axis = 1, keys = ['level1', 'level2'], names = ['upper', 'lower']) Out[108]: upper level1 level2 lower one two three four a 0 1 5.0 6.0 b 2 3 NaN NaN c 4 5 7.0 8.0
#最后需要考虑的一个问题，跟当前分析工作无关的DataFrame行索引 df1 = pd.DataFrame(np.random.randn(3, 4), columns = ['a', 'b', 'c', 'd']) df2 = pd.DataFrame(np.random.randn(2, 3), columns = ['b', 'd', 'a']) df1 Out[110]: a b c d 0 0.003212 -0.342055 -0.152235 -1.848477 1 -0.357666 -1.667613 -0.499012 0.559769 2 -1.025485 0.770518 -0.203711 -0.513205 df2 Out[111]: b d a 0 0.573107 -0.259251 0.087934 1 1.070468 1.113611 -1.062122
#在这种情况下，传入ignore_index = True 即可 pd.concat([df1, df2], ignore_index = True) Out[112]: a b c d 0 0.003212 -0.342055 -0.152235 -1.848477 1 -0.357666 -1.667613 -0.499012 0.559769 2 -1.025485 0.770518 -0.203711 -0.513205 3 0.087934 0.573107 NaN -0.259251 4 -1.062122 1.070468 NaN 1.113611
concat函数的参数
