知知知…
- append方法
① 利用 Series 添加表
s = pd.Series({ 'Gender':'F','Height':188},name='new_row')
df.append(s)
②利用 DataFrame 添加表
d = pd.DataFrame({ 'Gender':['F','M'],'Height':[188,176]},index=['new_1','new_2'])
df.append(d)
- assign方法
① 主要用于在表中添加列，列名可直接由参数指定（利用 Series 添加）
s = pd.Series(list('abcd'),index=range(4))
df.assign(Name=s) # Name 可指定
②可添加多个列
s = pd.Series(list('abcd'))
s1 = pd.Series(list('efgh'))
df_append.assign(col1=s,col2=s1) # 一次性添加两个列，列名分别为 col1 与 col2
- comine 方法
先来看看 comine 函数的参数
combine(other, func, fill_value=None, overwrite=True) 其中
① other ： DataFrame，要按列合并的DataFrame。
②func ： 功能，将两个系列作为输入并返回一个Series或一个标量的函数。用于逐列合并两个数据帧。（使用 func 将 DataFrame 与其他 DataFrame 组合到按元素组合的列。生成的 DataFrame 的行索引和列索引将是两者的并集。）注意：func 是一定要传入的，且可以匿名函数
③fill_value ： 标量值，默认None，在将任何列传递给合并函数之前填充NaN的值。
④overwrite ： boolean，默认为True，如果为true，列自我不存在在其他将与NaN的覆盖。
相比较而言comine 方法 有点复制，更多的时候，常用 combine_first方法
- combine_first 方法
这个方法作用是用df2填补df1的缺失值
df1 = pd.DataFrame({ 'A': [NaN, 0], 'B': [NaN, 4]})
df2 = pd.DataFrame({ 'A': [1, 1], 'B': [3, 3]})
print(df1.combine_first(df2))
''' A B 0 1.0 3.0 1 0.0 4.0 '''
- update方法
①该方法会直接在df上操作，而且用于更新的框 中的 缺失值 元素不会起作用，默认该位不更新。即保存原来的元素
df1 = pd.DataFrame({ 'A': [1, 2, 3],
'B': [400, 500, 600]})
df2 = pd.DataFrame({ 'B': [4, 5, 6]})
df1.update(df2)
print(df1) # 在 df1 上直接操作
''' A B 0 1 4 1 2 5 2 3 6 '''
② 不在被更新框中的列 不会被更新
df1 = pd.DataFrame({ 'A': [1, 2, 3],
'B': [4, 5, 6]})
df2 = pd.DataFrame({ 'C': [7, 8, 9]})
df1.update(df2)
print(df1) # df2 中的 C 列在 df1 中不存在
''' A B 0 1 4 1 2 5 2 3 6 '''
③ 更新框中的列 可以通过控制索引值或 NaN 来实现部分填充
df1 = pd.DataFrame({ 'A': [1, 2, 3],
'B': [400, 500, 600]})
df2 = pd.DataFrame({ 'B': [4, 5, 6]}, index=range(1,4)) # 控制索引为 1 2 3 而不是从 0 开始
df1.update(df2)
print(df1)
''' A B 0 1 400.0 1 2 4.0 2 3 5.0 '''
df1 = pd.DataFrame({ 'A': [1, 2, 3],
'B': [400, 500, 600]})
df2 = pd.DataFrame({ 'B': [4, NaN, 6]}) # 利用NaN实现部分填充
df1.update(df2)
print(df1)
''' A B 0 1 4.0 1 2 500.0 2 3 6.0 '''
- concat 方法
① concat方法可以在两个维度上拼接，默认 axis=0，实现的是纵向的行拼接
设置 axis=1 时，可实现横向的列拼接
df1 = pd.DataFrame({ 'A': ['A0', 'A1'],
'B': ['B0', 'B1']},
index =[0, 1])
df2 = pd.DataFrame({ 'A': ['A2', 'A3'],
'B': ['B2', 'B3']},
index =[2, 3])
print(pd.concat([df1, df2])) # 默认 axis=0 纵向行拼接
''' A B 0 A0 B0 1 A1 B1 2 A2 B2 3 A3 B3 '''
print(pd.concat([df1, df2], axis=1)) # axis=1 横向列拼接
''' A B A B 0 A0 B0 NaN NaN 1 A1 B1 NaN NaN 2 NaN NaN A2 B2 3 NaN NaN A3 B3 '''
② 拼接方式默认（join=‘outer’）外连接, 而设置 join=‘inner’ 时 取拼接方向的交集
print(pd.concat([df1, df2], join='inner'))
''' A B 0 A0 B0 1 A1 B1 2 A2 B2 3 A3 B3 '''
- merge 方法
① merge是pandas中用来合并数据的函数，不像concat是按照某行或某列来合并，而是按照数据中具体的某一字段（或者说是某个series，或多个series）来连接数据。
on表示按照那个特征来找相同的字段，且要左表和右表用来对齐的那一列都有相同的列名
例子一：
df1 = pd.DataFrame({ '姓名': ["小明","小红","小刚"],
'年纪': [10, 9, 12],
'城市': ['上海', '北京', '深圳']})
print(df1)
''' 姓名 年纪 城市 0 小明 10 上海 1 小红 9 北京 2 小刚 12 深圳 '''
df2 = pd.DataFrame({ '零花钱': [50, 200, 600, 400, 80],
'城市': ['苏州', '北京', '上海', '广州', '重庆']})
print(df2)
''' 零花钱 城市 0 50 苏州 1 200 北京 2 600 上海 3 400 广州 4 80 重庆 '''
print(pd.merge(df1, df2, on='城市')) # 以城市 这列找相同的字段 组成新的 表
''' 姓名 年纪 城市 零花钱 0 小明 10 上海 600 1 小红 9 北京 200 '''
# 其中 城市 的左边可称为左表，右边称为右表
例子二：
df1 = pd.DataFrame({ '姓名': ["小明","小红","小刚"],
'年纪': [10, 9, 12],
'城市': ['上海', '北京', '深圳']})
df2 = pd.DataFrame({ '姓名': ["小杨", "小欢", "小明", "小红", "小刚"],
'零花钱': [50, 200, 600, 400, 80],
'城市': ['苏州', '北京', '上海', '广州', '重庆']})
print(pd.merge(df1, df2, on=['姓名', '城市'])) # 以两个列为要求 寻找相同字段
''' 姓名 年纪 城市 零花钱 0 小明 10 上海 600 '''
② 其他参数
- how = ‘outer’:外置，相当于两个DateFrame求并集
- how = ‘right’:右置，合并后，按照最右边不为空的样本显示
- how = ‘left’：左置，合并后，按照最左边不为空的样本显示
- how = ‘inner’：只显示匹配到的字段的样本
- join 函数
① join函数作用是将多个pandas对象横向拼接，遇到重复的索引项时会使用笛卡尔积，默认左连接，以左边的框为主
left = pd.DataFrame({ 'A': ['A0', 'A1', 'A2'],
'B': ['B0', 'B1', 'B2']},
index=['K0', 'K1', 'K2'])
right = pd.DataFrame({ 'C': ['C0', 'C2', 'C3'],
'D': ['D0', 'D2', 'D3']},
index=['K0', 'K2', 'K3'])
print(left.join(right)) # 以 left 的 index 为基准，在 right 中的 index 进行寻找匹配，然后重组数据
''' A B C D K0 A0 B0 C0 D0 K1 A1 B1 NaN NaN K2 A2 B2 C2 D2 '''
② 同样地 用 on 参数指定key，也支持多层 key
本文地址：https://blog.csdn.net/weixin_51503843/article/details/110490785
