pandas的連接函數concat()函數

 

1.  
   pd.concat(objs, axis= 0, join='outer', join_axes=None, ignore_index=False,
2.  
   keys= None, levels=None, names=None, verify_integrity=False,
3.  
   copy= True)

參數含義

 

• objs：Series，DataFrame或Panel對象的序列或映射。如果傳遞了dict，則排序的鍵將用作鍵參數，除非它被傳遞，在這種情況下，將選擇值（見下文）。任何無對象將被靜默刪除，除非它們都是無，在這種情況下將引發一個ValueError。
• axis：{0,1，...}，默認為0。沿着連接的軸。
• join：{'inner'，'outer'}，默認為“outer”。如何處理其他軸上的索引。outer為聯合和inner為交集。
• ignore_index：boolean，default False。如果為True，請不要使用並置軸上的索引值。結果軸將被標記為0，...，n-1。如果要連接其中並置軸沒有有意義的索引信息的對象，這將非常有用。注意，其他軸上的索引值在連接中仍然受到尊重。
• join_axes：Index對象列表。用於其他n-1軸的特定索引，而不是執行內部/外部設置邏輯。
• keys：序列，默認值無。使用傳遞的鍵作為最外層構建層次索引。如果為多索引，應該使用元組。
• levels：序列列表，默認值無。用於構建MultiIndex的特定級別（唯一值）。否則，它們將從鍵推斷。
• names：list，default無。結果層次索引中的級別的名稱。
• verify_integrity：boolean，default False。檢查新連接的軸是否包含重復項。這相對於實際的數據串聯可能是非常昂貴的。
• copy：boolean，default True。如果為False，請勿不必要地復制數據。

---

 

import numpy as np import pandas as pd from pandas import Series,DataFrame

 

一、Numpy數組的連接–concatenate

a = np.arange(6).reshape(2,3) a

 

array([[0, 1, 2],
       [3, 4, 5]])

 

1.垂直連接

np.concatenate([a,a])

 

array([[0, 1, 2],
       [3, 4, 5],
       [0, 1, 2],
       [3, 4, 5]])

 

2.水平連接

np.concatenate([a,a],axis=1)

 

array([[0, 1, 2, 0, 1, 2],
       [3, 4, 5, 3, 4, 5]])

 

二、pandas.concat函數

s1 = Series([0,1],index = ['a','b']) s2 = Series([2,3,4],index = ['c','d','e']) s3 = Series([5,6],index = ['f','g'])

 

1.垂直連接

pd.concat([s1,s2,s3])

 

a    0
b    1
c    2
d    3
e    4
f    5
g    6
dtype: int64

 

2.水平連接

print(pd.concat([s1,s2,s3],axis=1))

 

     0    1    2
a  0.0  NaN  NaN
b  1.0  NaN  NaN
c  NaN  2.0  NaN
d  NaN  3.0  NaN
e  NaN  4.0  NaN
f  NaN  NaN  5.0
g  NaN  NaN  6.0

 

3.對連接的對象添加索引(實現層次索引)

print(pd.concat([s1,s2,s3],keys=['one','two','thress']))

 

one     a    0
        b    1
two     c    2
        d    3
        e    4
thress  f    5
        g    6
dtype: int64

 

4.水平連接時，為結果的DataFrame添加列索引

print(pd.concat([s1,s2,s3],axis=1,keys=['one','two','three']))

 

   one  two  three
a  0.0  NaN    NaN
b  1.0  NaN    NaN
c  NaN  2.0    NaN
d  NaN  3.0    NaN
e  NaN  4.0    NaN
f  NaN  NaN    5.0
g  NaN  NaN    6.0

 

5.對DataFrame同樣適用