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. 谈一谈php://input和php://output

    对一php://input介绍,PHP官方手册文档有一段话对它进行了很明确地概述. php://input 是个可以访问请求的原始数据的只读流. POST 请求的情况下,最好使用 php://inpu ...

  2. 【七牛云】时间戳防盗链鉴权php实现

    基于时间戳防盗链的功能其实每家的CDN都是支持的.主要是通过使用约定的加密字符串来对具有访问有效期的资源链接进行一些加密计算的到一个sign值,然后访问外链里面带上这个sign和截止时间戳去访问CDN ...

  3. Linux就是这个范儿之第一次亲密接触(2)

    原创作品,允许转载,转载时请务必以超链接形式标明文章原始出处 .作者信息和本声明.否则将追究法律责 1.2 不一样的图形操作 几乎所有Linux的新用户都会认为Linux的图形界面是相当的绚丽又多彩. ...

  4. Java多线程详解(二)

    评论区留下邮箱可获得<Java多线程设计模式详解> 转载请指明来源 1)后台线程 后台线程是为其他线程服务的一种线程,像JVM的垃圾回收线程就是一种后台线程.后台线程总是等到非后台线程死亡 ...

  5. bzoj 3307 雨天的尾巴

    题目链接:传送门 题目大意:中文题,略 题目思路:网上有题解说是合并线段树的,但是太难蒟蒻不会,只能用树剖求解 如果不是树而是一维数组我们会怎么解? 当然是利用前缀和思想标记 (L) v+1,(R+1 ...

  6. Android 通过Socket 和服务器通讯

    Extends:(http://www.cnblogs.com/likwo/p/3641135.html) Android 通过Socket 和服务器通讯,是一种比较常用的通讯方式,时间比较紧,说下大 ...

  7. Hive JOIN使用详解

    转自http://shiyanjun.cn/archives/588.html Hive是基于Hadoop平台的,它提供了类似SQL一样的查询语言HQL.有了Hive,如果使用过SQL语言,并且不理解 ...

  8. #cat ora11g_ora_.trc

    Trace file /u02/app/diag/rdbms/ora11g/ora11g/trace/ora11g_ora_31212.trc Oracle Database 11g Enterpri ...

  9. 170719、springboot编程之异步调用@Async

    1.在pom.xml中增加依赖 <dependency> <groupId>org.springframework.boot</groupId> <artif ...

  10. JS事件监听的添加方法

    一. 我们一般在的事件添加时是这样做的: elm.onclick = function( ) { //handler } 这样的写法兼容主流的浏览器,但是存在一个问题,当同一个elm绑定多个事件时,只 ...