10 Minutes to pandas

Concat

df = pd.DataFrame(np.random.randn(10, 4))

print(df)

# break it into pieces

pieces = [df[:3], df[3:7], df[7:]]

print(pd.concat(pieces))

#           0         1         2         3

# 0  0.879526 -1.417311 -1.309299  0.287933

# 1 -1.194092  1.237536 -0.375177 -0.622846

# 2  1.449524  1.732103  1.866323  0.327194

# 3 -0.028595  1.047751  0.629286 -0.611354

# 4 -1.237406  0.878287  1.407587 -1.637072

# 5  0.536248  1.172208  0.405543  0.245162

# 6  0.166374  1.185840  0.132388 -0.832135

# 7  0.750722 -1.188307  1.306327  1.564907

# 8 -0.755132 -1.538270 -0.173119  1.341313

# 9 -0.572171  1.808220  0.688190 -0.672612

#           0         1         2         3

# 0  0.879526 -1.417311 -1.309299  0.287933

# 1 -1.194092  1.237536 -0.375177 -0.622846

# 2  1.449524  1.732103  1.866323  0.327194

# 3 -0.028595  1.047751  0.629286 -0.611354

# 4 -1.237406  0.878287  1.407587 -1.637072

# 5  0.536248  1.172208  0.405543  0.245162

# 6  0.166374  1.185840  0.132388 -0.832135

# 7  0.750722 -1.188307  1.306327  1.564907

# 8 -0.755132 -1.538270 -0.173119  1.341313

# 9 -0.572171  1.808220  0.688190 -0.672612

Join

类似 sql 里的 join （联表）

left = pd.DataFrame({'key': ['foo', 'foo'], 'lval': [1, 2]})

right = pd.DataFrame({'key': ['foo', 'foo'], 'rval': [4, 5]})

print(left)

print(right)

print(pd.merge(left, right, on='key'))

#    key  lval

# 0  foo     1

# 1  foo     2

#    key  rval

# 0  foo     4

# 1  foo     5

#    key  lval  rval

# 0  foo     1     4

# 1  foo     1     5

# 2  foo     2     4

# 3  foo     2     5

Merge

df = pd.DataFrame(np.random.randn(8, 4), columns=['A','B','C','D'])

print(df)

s = df.iloc[3]

print(s)

df.append(s, ignore_index=True)

print(df)

print(df.append(s, ignore_index=True))

#           A         B         C         D

# 0 -1.744799 -0.745689 -0.066827 -0.993191

# 1  0.843984  0.902578  0.845040  1.336861

# 2  0.865214  1.151313  0.277192 -0.711557

# 3  0.917065 -0.948935  0.110977  0.047466

# 4 -1.309586  0.539592  1.956684 -0.117199

# 5 -0.431144  0.884499 -0.828626 -0.506894

# 6 -1.263993 -0.826366  1.426688 -0.434647

# 7 -0.567870 -0.086037  2.166162 -0.396294

# /

# A    0.917065

# B   -0.948935

# C    0.110977

# D    0.047466

# Name: 3, dtype: float64

# /

#           A         B         C         D

# 0 -1.744799 -0.745689 -0.066827 -0.993191

# 1  0.843984  0.902578  0.845040  1.336861

# 2  0.865214  1.151313  0.277192 -0.711557

# 3  0.917065 -0.948935  0.110977  0.047466

# 4 -1.309586  0.539592  1.956684 -0.117199

# 5 -0.431144  0.884499 -0.828626 -0.506894

# 6 -1.263993 -0.826366  1.426688 -0.434647

# 7 -0.567870 -0.086037  2.166162 -0.396294

# /

#           A         B         C         D

# 0  0.673341  0.211039  0.370737 -0.533311

# 1 -0.860026 -0.850189 -0.101193 -0.208695

# 2  1.684126  0.057633  0.775963  0.571528

# 3  0.340264 -1.576842  1.251407  1.703995

# 4  0.201961 -0.016234 -1.077373  0.477445

# 5 -0.096186 -0.766024  0.702740 -0.580853

# 6  0.941851  1.474317 -0.065384 -0.779173

# 7 -0.556754 -0.535569 -0.353260 -0.839585

# 8  0.340264 -1.576842  1.251407  1.703995

Python笔记 #17# Pandas: Merge的更多相关文章

  1. Python笔记 #15# Pandas: Missing Data

    10 Minutes to pandas import pandas as pd import numpy as np import matplotlib.pyplot as plt dates = ...

  2. Python笔记 #14# Pandas: Selection

    10 Minutes to pandas import pandas as pd import numpy as np import matplotlib.pyplot as plt dates = ...

  3. Python笔记 #13# Pandas: Viewing Data

    感觉很详细:数据分析:pandas 基础 import pandas as pd import numpy as np import matplotlib.pyplot as plt dates = ...

  4. Python笔记 #18# Pandas: Grouping

    10 Minutes to pandas 引 By “group by” we are referring to a process involving one or more of the foll ...

  5. Python笔记 #16# Pandas: Operations

    10 Minutes to pandas #Stats # shift 这玩意儿有啥用??? s = pd.Series([1,5,np.nan], index=dates).shift(0) # s ...

  6. python笔记17

    1.今日内容 迭代器(3*) 生成器(4*) 装饰器(5*) 项目结构 logging模块 2.内容回顾 & 作业 2.1 内容回顾 2.1.1 函数(内置/自定义) 基本函数结构 def f ...

  7. golang学习笔记17 爬虫技术路线图，python，java，nodejs，go语言，scrapy主流框架介绍

    golang学习笔记17 爬虫技术路线图,python,java,nodejs,go语言,scrapy主流框架介绍 go语言爬虫框架:gocolly/colly,goquery,colly,chrom ...

  8. Python数据分析之pandas学习

    Python中的pandas模块进行数据分析. 接下来pandas介绍中将学习到如下8块内容:1.数据结构简介:DataFrame和Series2.数据索引index3.利用pandas查询数据4.利 ...

  9. Python数据分析库pandas基本操作

    Python数据分析库pandas基本操作2017年02月20日 17:09:06 birdlove1987 阅读数:22631 标签: python 数据分析 pandas 更多 个人分类: Pyt ...

随机推荐

  1. <linux系统c语言生成.so文件，生成64位可执行文件，在64位系统中运行32位的可执行文件>

    1.linux 系统c语言生成.o文件,---->gcc -m64 -c -fPIC test.c -o test.o2.linux 系统c语言生成.so文件,----->gcc -sha ...

  2. Cognos入门教程

    Cognos入门教程 1. ReportStudio入门教程 ReportStudio入门教程(http://blog.csdn.net/column/details/ygy-reportstudio ...

  3. Oracle类型number与PG类型numeric对比和转换策略

    Oracle 11g number 任意精度数字类型 http://docs.oracle.com/cd/B28359_01/server.111/b28318/datatype.htm#CNCPT3 ...

  4. Synergy 多系统共享鼠标键盘 Windows 和 Mac 完全配置教程

    公司终于配上了双主机双系统双屏幕,编码是爽了,但是桌上的键盘有多了一套,有没有什么软件能够在不同的电脑之间共享键盘和鼠标呢?后来发下了Synergy这款软件.不仅免费而且开源(支持下). 让办公桌上的 ...

  5. jhipser微服务架构介绍

    内容提要 本文涉及以下内容: 微服务架构介绍 spring cloud介绍 jhipster架构介绍 微服务架构介绍 微服务概念 微服务和SOA很相似,都是按照业务功能把系统拆分成一个一个的服务.比如 ...

  6. 【BZOJ3772】精神污染 DFS序+主席树

    [BZOJ3772]精神污染 Description 兵库县位于日本列岛的中央位置,北临日本海,南面濑户内海直通太平洋,中央部位是森林和山地,与拥有关西机场的大阪府比邻而居,是关西地区面积最大的县,是 ...

  7. 310实验室OTL问题

    1.首先是下载OTL文件包,网址是:github.com/O-T-L,可以直接点击网页上的下载链接,也可以使用unlix命令,git clone https://github.com/O-T-L/OT ...

  8. 01.MyBatis入门

        MyBatis入参考文档:http://mybatis.org/mybatis-3/zh/  1.使用MyBatis前的准备 1.增加Maven依赖 <dependency> &l ...

  9. 170725、Kafka原理与技术

    本文转载自:http://www.linkedkeeper.com/detail/blog.action?bid=1016 Kafka的基本介绍 Kafka最初由Linkedin公司开发,是一个分布式 ...

  10. JS生成GUID方法

    function GUID() { this.date = new Date(); /* 判断是否初始化过,如果初始化过以下代码,则以下代码将不再执行,实际中只执行一次 */ if (typeof t ...