python merge、concat合並數據集

數據規整化：合並、清理、過濾

pandas和python標准庫提供了一整套高級、靈活的、高效的核心函數和算法將數據規整化為你想要的形式！

本篇博客主要介紹：

合並數據集：.merge()、.concat()等方法，類似於SQL或其他關系型數據庫的連接操作。

合並數據集

1） merge 函數參數

參數	說明
left	參與合並的左側DataFrame
right	參與合並的右側DataFrame
how	連接方式：‘inner’（默認）；還有，‘outer’、‘left’、‘right’
on	用於連接的列名，必須同時存在於左右兩個DataFrame對象中，如果位指定，則以left和right列名的交集作為連接鍵
left_on	左側DataFarme中用作連接鍵的列
right_on	右側DataFarme中用作連接鍵的列
left_index	將左側的行索引用作其連接鍵
right_index	將右側的行索引用作其連接鍵
sort	根據連接鍵對合並后的數據進行排序，默認為True。有時在處理大數據集時，禁用該選項可獲得更好的性能
suffixes	字符串值元組，用於追加到重疊列名的末尾，默認為（‘_x’,‘_y’）.例如，左右兩個DataFrame對象都有‘data’，則結果中就會出現‘data_x’，‘data_y’
copy	設置為False，可以在某些特殊情況下避免將數據復制到結果數據結構中。默認總是賦值

1、多對一的合並（一個表的連接鍵列有重復值，另一個表中的連接鍵沒有重復值）

import pandas as pd import numpy as np df1 = pd.DataFrame({'key':['b','b','a','c','a','a','b'],'data1': range(7)}) df1

	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

	data2	key
0	0	a
1	1	b
2	2	d

pd.merge(df1,df2)#默認情況

	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)

	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')#內連接，取交集

	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')#外鏈接，取並集，並用nan填充

	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')#左連接，左側DataFrame取全部，右側DataFrame取部分

	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')#右連接，右側DataFrame取全部，左側DataFrame取部分

	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的連接鍵列名不一致，但是取值有重疊，可使用left_on、right_on來指定左右連接鍵

df3 = pd.DataFrame({'lkey':['b','b','a','c','a','a','b'],'data1': range(7)}) df3

	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

	data2	rkey
0	0	a
1	1	b
2	2	d

df3.merge(df4,left_on = 'lkey',right_on = 'rkey',how = 'inner')

	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、多對多的合並（一個表的連接鍵列有重復值，另一個表中的連接鍵有重復值）

df1 = pd.DataFrame({'key':['b','b','a','c','a','a','b'],'data1': range(7)}) df1

	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

	data2	key
0	0	a
1	1	b
2	2	a
3	3	b
4	4	b

df1.merge(df5)

	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

合並小結

1）默認情況下，會將兩個表中相同列名作為連接鍵

2）多對多，會采用笛卡爾積形式鏈接（左表連接鍵有三個值‘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）存在多個連接鍵的處理

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]}) 

left

	key1	key2	lval
0	foo	one	1
1	foo	one	2
2	bar	two	3

right

	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')

	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）連接鍵是多對多關系，應執行笛卡爾積形式

2）多列應看連接鍵值對是否一致

4）對連接表中非連接列的重復列名的處理

pd.merge(left,right,on = 'key1')

	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'))

	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）索引上的合並

當連接鍵位於索引中時，成為索引上的合並，可以通過merge函數，傳入left_index、right_index來說明應該被索引的情況。

1. 一表中連接鍵是索引列、另一表連接鍵是非索引列

left1 = pd.DataFrame({'key':['a','b','a','a','b','c'],'value': range(6)}) left1

	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

	group_val
a	3.5
b	7.0

pd.merge(left1,right1,left_on = 'key',right_index = True)

	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接鍵，left_index、right_index是指定表中索引列為連接鍵，兩者可以組合，是為了區分是否是索引列

1. 兩個表中的索引列都是連接鍵

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

	0hio	nevada
a	0	1
b	2	3
e	4	5

right2

	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')

	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）軸向連接

在這里展示一種新的連接方法，對應於numpy的concatenate函數，pandas有concat函數

#numpy arr =np.arange(12).reshape(3,4)

arr

    array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) 

np.concatenate([arr,arr],axis = 1)#橫軸連接塊

    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]]) 

concat函數參數表格

參數	說明
objs	參與連接的列表或字典，且列表或字典里的對象是pandas數據類型，唯一必須給定的參數
axis=0	指明連接的軸向，0是縱軸，1是橫軸，默認是0
join	‘inner’（交集），‘outer’（並集），默認是‘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），不執行交並集
keys	與連接對象有關的值，用於形成連接軸向上的層次化索引（外層索引），可以是任意值的列表或數組、元組數據、數組列表（如果將levels設置成多級數組的話）
levels	指定用作層次化索引各級別（內層索引）上的索引，如果設置keys的話
names	用於創建分層級別的名稱，如果設置keys或levels的話
verify_integrity	檢查結果對象新軸上的重復情況，如果發橫則引發異常，默認False，允許重復
ignore_index	不保留連接軸上的索引，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'])

pd.concat([s1,s2,s3])#默認並集、縱向連接

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

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,注意該方法對對象表中有重復索引時失效

	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,注意該方法對對象表中有重復索引時失效

	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函數小結

1）縱向連接，ignore_index = False ,可能生成重復的索引

2）橫向連接時，對象索引不能重復

4）合並重疊數據

適用范圍：

1）當兩個對象的索引有部分或全部重疊時

2）用參數對象中的數據為調用者對象的缺失數據‘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'])

a

a    NaN
b    2.5
c    NaN
d    3.5
e    4.5
f    NaN
dtype: float64

b

a    0
b    1
c    2
d    3
e    4
f    5
dtype: int32

a.combine_first(b)#利用b填補了a的空值

a    0.0
b    2.5
c    2.0
d    3.5
e    4.5
f    5.0
dtype: float64

a = pd.Series([np.nan,2.5,np.nan,3.5,4.5,np.nan],index = ['g','b','c','d','e','f'])

a.combine_first(b)#部分索引重疊

a    0.0
b    2.5
c    2.0
d    3.5
e    4.5
f    5.0
g    NaN
dtype: float64

小結

本篇博客主要講述了一下內容：

1） merge函數合並數據集

2）concat函數合並數據集

3）combine_first函數，含有重疊索引的缺失值填補