Pandas系列（十）-转换连接详解

目录

• 1. 拼接
• 1.1 append
• 1.2 concat
• 2. 关联
• 2.1 merge
• 2.2 join

数据准备

# 导入相关库
import numpy as np
import pandas as pd
"""
拼接
有两个DataFrame，都存储了用户的一些信息，现在要拼接起来，组成一个DataFrame，如何实现呢？
"""
data1 = {
    "name": ["Tom", "Bob"],
    "age": [18, 30],
    "city": ["Bei Jing ", "Shang Hai "]
}
df1 = pd.DataFrame(data=data1)
df1
Out[85]:
  name  age        city
0  Tom   18   Bei Jing
1  Bob   30  Shang Hai
data2 = {
    "name": ["Mary", "James"],
    "age": [35, 18],
    "city": ["Guang Zhou", "Shen Zhen"]
}
df2 = pd.DataFrame(data=data2)
df2
Out[86]:
    name  age        city
0   Mary   35  Guang Zhou
1  James   18   Shen Zhen

　1. 拼接

　　1.1 append

def append(self, other, ignore_index=False,verify_integrity=False, sort=None):

　　append 是最简单的拼接两个DataFrame的方法。

df1.append(df2)
Out[87]:
    name  age        city
0    Tom   18   Bei Jing
1    Bob   30  Shang Hai
0   Mary   35  Guang Zhou
1  James   18   Shen Zhen

可以看到，拼接后的索引默认还是原有的索引，如果想要重新生成索引的话，设置参数 ignore_index=True 即可。

df1.append(df2, ignore_index=True)
Out[88]:
    name  age        city
0    Tom   18   Bei Jing
1    Bob   30  Shang Hai
2   Mary   35  Guang Zhou
3  James   18   Shen Zhen

　　1.2 concat

　　除了 append 这种方式之外，还有 concat 这种方式可以实现相同的功能。

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
           keys=None, levels=None, names=None, verify_integrity=False,
           sort=None, copy=True):

　例子

objs=[df1, df2]
pd.concat(objs, ignore_index=True)
Out[89]:
    name  age        city
0    Tom   18   Bei Jing
1    Bob   30  Shang Hai
2   Mary   35  Guang Zhou
3  James   18   Shen Zhen

如果想要区分出不同的DataFrame的数据，可以通过设置参数 keys，当然得设置参数 ignore_index=False。

pd.concat(objs, ignore_index=False, keys=["df1", "df2"])
Out[90]:
        name  age        city
df1 0    Tom   18   Bei Jing
    1    Bob   30  Shang Hai
df2 0   Mary   35  Guang Zhou
    1  James   18   Shen Zhen

2. 关联

　　有两个DataFrame，分别存储了用户的部分信息，现在需要将用户的这些信息关联起来，如何实现呢？

　　2.1 merge

    def merge(self, right, how='inner', on=None, left_on=None, right_on=None,
              left_index=False, right_index=False, sort=False,
              suffixes=('_x', '_y'), copy=True, indicator=False,
              validate=None):

　　通过 pd.merge 可以关联两个DataFrame，这里我们设置参数 on="name"，表示依据 name 来作为关联键。默认how='inner',我们可以设置成outer

data1 = {
    "name": ["Tom", "Bob", "Mary", "James"],
    "age": [18, 30, 35, 18],
    "city": ["Bei Jing ", "Shang Hai ", "Guang Zhou", "Shen Zhen"]
}
df1 = pd.DataFrame(data=data1)
df1
data2 = {"name": ["Bob", "Mary", "James", "Andy"],
        "sex": ["male", "female", "male", np.nan],
         "income": [8000, 8000, 4000, 6000]
}
df2 = pd.DataFrame(data=data2)
df2
pd.merge(df1,df2,on="name")
Out[91]:
    name  age        city     sex  income
0    Bob   30  Shang Hai     male    8000
1   Mary   35  Guang Zhou  female    8000
2  James   18   Shen Zhen    male    4000
#关联后发现数据变少了，只有 3 行数据，这是因为默认关联的方式是 inner，如果不想丢失任何数据，可以设置参数 how="outer"。
pd.merge(df1,df2,on="name",how="outer")
Out[92]:
    name   age        city     sex  income
0    Tom  18.0   Bei Jing      NaN     NaN
1    Bob  30.0  Shang Hai     male  8000.0
2   Mary  35.0  Guang Zhou  female  8000.0
3  James  18.0   Shen Zhen    male  4000.0
4   Andy   NaN         NaN     NaN  6000.0

如果我们想保留左边所有的数据，可以设置参数 how="left"；反之，如果想保留右边的所有数据，可以设置参数 how="right"

pd.merge(df1, df2, on="name", how="left")
Out[93]:
    name  age        city     sex  income
0    Tom   18   Bei Jing      NaN     NaN
1    Bob   30  Shang Hai     male  8000.0
2   Mary   35  Guang Zhou  female  8000.0
3  James   18   Shen Zhen    male  4000.0

有时候，两个 DataFrame 中需要关联的键的名称不一样，可以通过 left_on 和 right_on 来分别设置。

df1.rename(columns={"name": "name1"}, inplace=True)
df1
Out[94]:
   name1  age        city
0    Tom   18   Bei Jing
1    Bob   30  Shang Hai
2   Mary   35  Guang Zhou
3  James   18   Shen Zhen
df2.rename(columns={"name": "name2"}, inplace=True)
df2
Out[95]:
   name2     sex  income
0    Bob    male    8000
1   Mary  female    8000
2  James    male    4000
3   Andy     NaN    6000
pd.merge(df1, df2, left_on="name1", right_on="name2")
Out[96]:
   name1  age        city  name2     sex  income
0    Bob   30  Shang Hai     Bob    male    8000
1   Mary   35  Guang Zhou   Mary  female    8000
2  James   18   Shen Zhen  James    male    4000　

　　有时候，两个DataFrame中都包含相同名称的字段，如何处理呢？

　　我们可以设置参数 suffixes，默认 suffixes=('_x', '_y') 表示将相同名称的左边的DataFrame的字段名加上后缀 _x，右边加上后缀 _y。

df1["sex"] = "male"
df1
Out[97]:
   name1  age        city   sex
0    Tom   18   Bei Jing   male
1    Bob   30  Shang Hai   male
2   Mary   35  Guang Zhou  male
3  James   18   Shen Zhen  male
pd.merge(df1, df2, left_on="name1", right_on="name2")
Out[98]:
   name1  age        city sex_x  name2   sex_y  income
0    Bob   30  Shang Hai   male    Bob    male    8000
1   Mary   35  Guang Zhou  male   Mary  female    8000
2  James   18   Shen Zhen  male  James    male    4000
pd.merge(df1, df2, left_on="name1", right_on="name2", suffixes=("_left", "_right"))
Out[99]:
   name1  age        city sex_left  name2 sex_right  income
0    Bob   30  Shang Hai      male    Bob      male    8000
1   Mary   35  Guang Zhou     male   Mary    female    8000
2  James   18   Shen Zhen     male  James      male    4000

　　2.2 join

def join(self, other, on=None, how='left', lsuffix='', rsuffix='',sort=False):

　　除了 merge 这种方式外，还可以通过 join 这种方式实现关联。相比 merge，join 这种方式有以下几个不同：

　　（1）默认参数on=None，表示关联时使用左边和右边的索引作为键，设置参数on可以指定的是关联时左边的所用到的键名

　　（2）左边和右边字段名称重复时，通过设置参数 lsuffix 和 rsuffix 来解决。

df1.join(df2.set_index("name2"), on="name1", lsuffix="_left")
Out[100]:
   name1  age        city sex_left     sex  income
0    Tom   18   Bei Jing      male     NaN     NaN
1    Bob   30  Shang Hai      male    male  8000.0
2   Mary   35  Guang Zhou     male  female  8000.0
3  James   18   Shen Zhen     male    male  4000.0

数据纵向合并案例代码

from pandas import concat

def data_concat(dir_name, to_file_path, drop_duplicates: bool = False):
    """
    数据纵向合并
    :param dir_name: 数据来源文件夹名称
    :param to_file_path: 合并数据保存文件夹
    :param drop_duplicates: 是否去重
    :return:
    """
    objs = (read_excel(f'{dir_name}/{file}') for file in os.listdir(dir_name))
    merge_data = concat(objs=objs, ignore_index=True)
    if drop_duplicates:
        merge_data.drop_duplicates(inplace=True)
    merge_data.to_excel(to_file_path, index=False)

if __name__ == '__main__':
    data_concat(dir_name='data1', to_file_path='merge_data.xlsx', drop_duplicates=True)