python merge、concat合併資料集
資料規整化:合併、清理、過濾
pandas和python標準庫提供了一整套高階、靈活的、高效的核心函式和演算法將資料規整化為你想要的形式!
本篇部落格主要介紹:
合併資料集:.merge()、.concat()等方法,類似於SQL或其他關係型資料庫的連線操作。
合併資料集
1) merge 函式引數
引數 | 說明 |
---|---|
left | 參與合併的左側DataFrame |
right | 參與合併的右側DataFrame |
how | 連線方式:‘inner’(預設);還有,‘outer’、‘left’、‘right’ |
on | 用於連線的列名,必須同時存在於左右兩個DataFrame物件中,如果位指定,則以left和right列名的交集作為連線鍵 |
left_on | 左側DataFarme中用作連線鍵的列 |
right_on | 右側DataFarme中用作連線鍵的列 |
left_index | 將左側的行索引用作其連線鍵 |
right_index | 將右側的行索引用作其連線鍵 |
sort | 根據連線鍵對合並後的資料進行排序,預設為True。有時在處理大資料集時,禁用該選項可獲得更好的效能 |
suffixes | 字串值元組,用於追加到重疊列名的末尾,預設為(‘_x’,‘_y’).例如,左右兩個DataFrame物件都有‘data’,則結果中就會出現‘data_x’,‘data_y’ |
copy | 設定為False,可以在某些特殊情況下避免將資料複製到結果資料結構中。預設總是賦值 |
1、多對一的合併(一個表的連線鍵列有重複值,另一個表中的連線鍵沒有重複值)
import pandas as pd
import numpy as np
df1 = pd.DataFrame({'key':['b','b','a','c','a','a','b'],'data1': range(7)})
df1
- 1
- 2
- 3
- 4
- 5
- 6
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)}) df2
- 1
- 2
- 3
data2 | key | |
---|---|---|
0 | 0 | a |
1 | 1 | b |
2 | 2 | d |
pd.merge(df1,df2)#預設情況
- 1
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 |
df1.merge(df2)
- 1
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 |
df1.merge(df2,on = 'key',how = 'inner')#內連線,取交集
- 1
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 |
df1.merge(df2,on = 'key',how = 'outer')#外連結,取並集,並用nan填充
- 1
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 |
df1.merge(df2,on = 'key',how = 'left')#左連線,左側DataFrame取全部,右側DataFrame取部分
- 1
data1 | key | data2 | |
---|---|---|---|
0 | 0 | b | 1.0 |
1 | 1 | b | 1.0 |
2 | 2 | a | 0.0 |
3 | 3 | c | NaN |
4 | 4 | a | 0.0 |
5 | 5 | a | 0.0 |
6 | 6 | b | 1.0 |
df1.merge(df2,on = 'key',how = 'right')#右連線,右側DataFrame取全部,左側DataFrame取部分
- 1
data1 | key | data2 | |
---|---|---|---|
0 | 0.0 | b | 1 |
1 | 1.0 | b | 1 |
2 | 6.0 | b | 1 |
3 | 2.0 | a | 0 |
4 | 4.0 | a | 0 |
5 | 5.0 | a | 0 |
6 | NaN | d | 2 |
如果左右側DataFrame的連線鍵列名不一致,但是取值有重疊,可使用left_on、right_on來指定左右連線鍵
df3 = pd.DataFrame({'lkey':['b','b','a','c','a','a','b'],'data1': range(7)})
df3
- 1
- 2
- 3
data1 | lkey | |
---|---|---|
0 | 0 | b |
1 | 1 | b |
2 | 2 | a |
3 | 3 | c |
4 | 4 | a |
5 | 5 | a |
6 | 6 | b |
df4 = pd.DataFrame({'rkey':['a','b','d'],'data2':range(3)})
df4
- 1
- 2
- 3
data2 | rkey | |
---|---|---|
0 | 0 | a |
1 | 1 | b |
2 | 2 | d |
df3.merge(df4,left_on = 'lkey',right_on = 'rkey',how = 'inner')
- 1
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 |
2、多對多的合併(一個表的連線鍵列有重複值,另一個表中的連線鍵有重複值)
df1 = pd.DataFrame({'key':['b','b','a','c','a','a','b'],'data1': range(7)})
df1
- 1
- 2
- 3
data1 | key | |
---|---|---|
0 | 0 | b |
1 | 1 | b |
2 | 2 | a |
3 | 3 | c |
4 | 4 | a |
5 | 5 | a |
6 | 6 | b |
df5 = pd.DataFrame({'key':['a','b','a','b','b'],'data2': range(5)})
df5
- 1
- 2
data2 | key | |
---|---|---|
0 | 0 | a |
1 | 1 | b |
2 | 2 | a |
3 | 3 | b |
4 | 4 | b |
df1.merge(df5)
- 1
data1 | key | data2 | |
---|---|---|---|
0 | 0 | b | 1 |
1 | 0 | b | 3 |
2 | 0 | b | 4 |
3 | 1 | b | 1 |
4 | 1 | b | 3 |
5 | 1 | b | 4 |
6 | 6 | b | 1 |
7 | 6 | b | 3 |
8 | 6 | b | 4 |
9 | 2 | a | 0 |
10 | 2 | a | 2 |
11 | 4 | a | 0 |
12 | 4 | a | 2 |
13 | 5 | a | 0 |
14 | 5 | a | 2 |
合併小結
1)預設情況下,會將兩個表中相同列名作為連線鍵
2)多對多,會採用笛卡爾積形式連結(左表連線鍵有三個值‘1,3,5’,右表有兩個值‘2,3’,則會形成,(1,2)(1,3)(3,1),(3,2)。。。6種組合)
3)存在多個連線鍵的處理
left = pd.DataFrame({'key1':['foo','foo','bar'],'key2':['one','one','two'],'lval':[1,2,3]})
right = pd.DataFrame({'key1':['foo','foo','bar','bar'],'key2':['one','one','one','two'],'rval':[4,5,6,7]})
- 1
- 2
- 3
- 4
left
- 1
key1 | key2 | lval | |
---|---|---|---|
0 | foo | one | 1 |
1 | foo | one | 2 |
2 | bar | two | 3 |
right
- 1
key1 | key2 | rval | |
---|---|---|---|
0 | foo | one | 4 |
1 | foo | one | 5 |
2 | bar | one | 6 |
3 | bar | two | 7 |
pd.merge(left,right,on = ['key1','key2'],how = 'outer')
- 1
key1 | key2 | lval | rval | |
---|---|---|---|---|
0 | foo | one | 1.0 | 4 |
1 | foo | one | 1.0 | 5 |
2 | foo | one | 2.0 | 4 |
3 | foo | one | 2.0 | 5 |
4 | bar | two | 3.0 | 7 |
5 | bar | one | NaN | 6 |
1)連線鍵是多對多關係,應執行笛卡爾積形式
2)多列應看連線鍵值對是否一致
4)對連線表中非連線列的重複列名的處理
pd.merge(left,right,on = 'key1')
- 1
key1 | key2_x | lval | key2_y | rval | |
---|---|---|---|---|---|
0 | foo | one | 1 | one | 4 |
1 | foo | one | 1 | one | 5 |
2 | foo | one | 2 | one | 4 |
3 | foo | one | 2 | one | 5 |
4 | bar | two | 3 | one | 6 |
5 | bar | two | 3 | two | 7 |
pd.merge(left,right,on = 'key1',suffixes = ('_left','_right'))
- 1
key1 | key2_left | lval | key2_right | rval | |
---|---|---|---|---|---|
0 | foo | one | 1 | one | 4 |
1 | foo | one | 1 | one | 5 |
2 | foo | one | 2 | one | 4 |
3 | foo | one | 2 | one | 5 |
4 | bar | two | 3 | one | 6 |
5 | bar | two | 3 | two | 7 |
2)索引上的合併
當連線鍵位於索引中時,成為索引上的合併,可以通過merge函式,傳入left_index、right_index來說明應該被索引的情況。
- 一表中連線鍵是索引列、另一表連線鍵是非索引列
left1 = pd.DataFrame({'key':['a','b','a','a','b','c'],'value': range(6)})
left1
- 1
- 2
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
- 1
- 2
group_val | |
---|---|
a | 3.5 |
b | 7.0 |
pd.merge(left1,right1,left_on = 'key',right_index = True)
- 1
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 |
有上可知,left_on、right_on是指定表中非索引列為連線鍵,left_index、right_index是指定表中索引列為連線鍵,兩者可以組合,是為了區分是否是索引列
- 兩個表中的索引列都是連線鍵
left2 = pd.DataFrame(np.arange(6).reshape(3,2),index = ['a','b','e'],columns = ['0hio','nevada'])
right2 = pd.DataFrame(np.arange(7,15).reshape(4,2),index = ['b','c','d','e'],columns = ['misso','ala'])
left2
- 1
- 2
- 3
- 4
- 5
0hio | nevada | |
---|---|---|
a | 0 | 1 |
b | 2 | 3 |
e | 4 | 5 |
right2
- 1
misso | ala | |
---|---|---|
b | 7 | 8 |
c | 9 | 10 |
d | 11 | 12 |
e | 13 | 14 |
pd.merge(left2,right2,left_index = True,right_index = True,how = 'outer')
- 1
0hio | nevada | misso | ala | |
---|---|---|---|---|
a | 0.0 | 1.0 | NaN | NaN |
b | 2.0 | 3.0 | 7.0 | 8.0 |
c | NaN | NaN | 9.0 | 10.0 |
d | NaN | NaN | 11.0 | 12.0 |
e | 4.0 | 5.0 | 13.0 | 14.0 |
3)軸向連線
在這裡展示一種新的連線方法,對應於numpy的concatenate函式,pandas有concat函式
#numpy
arr =np.arange(12).reshape(3,4)
- 1
- 2
arr
- 1
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
- 1
- 2
- 3
- 4
np.concatenate([arr,arr],axis = 1)#橫軸連線塊
- 1
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]])
- 1
- 2
- 3
- 4
concat函式引數表格
引數 | 說明 |
---|---|
objs | 參與連線的列表或字典,且列表或字典裡的物件是pandas資料型別,唯一必須給定的引數 |
axis=0 | 指明連線的軸向,0是縱軸,1是橫軸,預設是0 |
join | ‘inner’(交集),‘outer’(並集),預設是‘outer’指明軸向索引的索引是交集還是並集 |
join_axis | 指明用於其他n-1條軸的索引(層次化索引,某個軸向有多個索引),不執行交併集 |
keys | 與連線物件有關的值,用於形成連線軸向上的層次化索引(外層索引),可以是任意值的列表或陣列、元組資料、陣列列表(如果將levels設定成多級陣列的話) |
levels | 指定用作層次化索引各級別(內層索引)上的索引,如果設定keys的話 |
names | 用於建立分層級別的名稱,如果設定keys或levels的話 |
verify_integrity | 檢查結果物件新軸上的重複情況,如果發橫則引發異常,預設False,允許重複 |
ignore_index | 不保留連線軸上的索引,產生一組新索引range(total_length) |
s1 = pd.Series([0,1,2],index = ['a','b','c'])
s2 = pd.Series([2,3,4],index = ['c','f','e'])
s3 = pd.Series([4,5,6],index = ['c','f','g'])
- 1
- 2
- 3
- 4
- 5
pd.concat([s1,s2,s3])#預設並集、縱向連線
- 1
a 0 b 1 c 2 c 2 f 3 e 4 c 4 f 5 g 6 dtype: int64
pd.concat([s1,s2,s3],ignore_index = True)#生成縱軸上的並集,索引會自動生成新的一列
- 1
0 0 1 1 2 2 3 2 4 3 5 4 6 4 7 5 8 6 dtype: int64
pd.concat([s1,s2,s3],axis = 1,join = 'inner')#縱向取交集,注意該方法對物件表中有重複索引時失效
- 1
0 | 1 | 2 | |
---|---|---|---|
c | 2 | 2 | 4 |
pd.concat([s1,s2,s3],axis = 1,join = 'outer')#橫向索引取並集,縱向索引取交集,注意該方法對物件表中有重複索引時失效
- 1
0 | 1 | 2 | |
---|---|---|---|
a | 0.0 | NaN | NaN |
b | 1.0 | NaN | NaN |
c | 2.0 | 2.0 | 4.0 |
e | NaN | 4.0 | NaN |
f | NaN | 3.0 | 5.0 |
g | NaN | NaN | 6.0 |
concat函式小結
1)縱向連線,ignore_index = False ,可能生成重複的索引
2)橫向連線時,物件索引不能重複
4)合併重疊資料
適用範圍:
1)當兩個物件的索引有部分或全部重疊時
2)用引數物件中的資料為呼叫者物件的缺失資料‘打補丁’
a = pd.Series([np.nan,2.5,np.nan,3.5,4.5,np.nan],index = ['a','b','c','d','e','f'])
b = pd.Series(np.arange(len(a)),index = ['a','b','c','d','e','f'])
- 1
- 2
- 3
a
- 1
a NaN
b 2.5
c NaN
d 3.5
e 4.5
f NaN
dtype: float64
- 1
- 2
- 3
- 4
- 5
- 6
- 7
b
- 1
a 0
b 1
c 2
d 3
e 4
f 5
dtype: int32
- 1
- 2
- 3
- 4
- 5
- 6
- 7
a.combine_first(b)#利用b填補了a的空值
- 1
a 0.0
b 2.5
c 2.0
d 3.5
e 4.5
f 5.0
dtype: float64
- 1
- 2
- 3
- 4
- 5
- 6
- 7
a = pd.Series([np.nan,2.5,np.nan,3.5,4.5,np.nan],index = ['g','b','c','d','e','f'])
- 1
a.combine_first(b)#部分索引重疊
- 1
a 0.0
b 2.5
c 2.0
d 3.5
e 4.5
f 5.0
g NaN
dtype: float64
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
小結
本篇部落格主要講述了一下內容:
1) merge函式合併資料集
2)concat函式合併資料集
3)combine_first函式,含有重疊索引的缺失值填補