一、merge
merge操作實現兩個DataFrame之間的合並，類似於sql兩個表之間的關聯查詢。merge的使用方法及參數解釋如下：
pd.merge(left, right, on=None, how='inner', left_on=None, right_on=None, left_index=False, right_index=False,
sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)
- left和right：第一個DataFrame和第二個DataFrame對象，merge只能實現兩個DataFrame的合並，無法一次實現多個合並
- on：指定參考column，要求兩個df必須至少有一個相同的column，默認為None以最多相同的column為參考
- how：合並的方式，默認為inner取參考column的交集，outer取並集保留所有行；outer、left、right中的缺失值都以NaN填充；left按照左邊對象為參考進行合並即保留左邊的所有行，right按照右邊對象為參考進行合並即保留右邊所有行，
- left_on=None和right_on=None：以上on是在兩個df有相同的column的情況下使用，如果兩個df沒有相同的column，使用left_on和right_on分別指明左邊和右邊的參考column
- left_index和right_index：指定是否以索引為參考進行合並
- sort：合並結果是否按on指定的參考進行排序
- suffixed：合並后如果有重復column，分別加上什么后綴
下面對每個參數進行演示
on：指定參考column，如果不指定默認為None，以兩者相同列的最多數為參考；index重新生成為從0開始的整數。
df1 = pd.DataFrame({'key1':['a','b','c','d'],'key2':['e','f','g','h'],'key3':['i','j','k','l']},index=['k','l','m','n',])
df2 = pd.DataFrame({'key1':['a','B','c','d'],'key2':['e','f','g','H'],'key4':['i','j','K','L']},index = ['p','q','u','v'])
print(df1)
print(df2)
print(pd.merge(df1,df2,on='key1'))
print(pd.merge(df1,df2,on='key2'))
print(pd.merge(df1,df2,on=['key1','key2']))
print(pd.merge(df1,df2)) #可以看到不加on參數，系統自動以個數最多的相同column為參考
# key1 key2 key3
# k a e i
# l b f j
# m c g k
# n d h l
# key1 key2 key4
# p a e i
# q B f j
# u c g K
# v d H L
# key1 key2_x key3 key2_y key4
# 0 a e i e i
# 1 c g k g K
# 2 d h l H L
# key1_x key2 key3 key1_y key4
# 0 a e i a i
# 1 b f j B j
# 2 c g k c K
# key1 key2 key3 key4
# 0 a e i i
# 1 c g k K
# key1 key2 key3 key4
# 0 a e i i
# 1 c g k K
how：指定合並方式，如果不指定默認為inner
inner相當於sql中的=，outer相當於sql中的full join，left相當於sql中的left join，right相當於sql中的right join；index重新生成為從0開始的整數。
對於outer、left、right來說可能會出現缺失值，全部以NaN填充。
df1 = pd.DataFrame({'key1':['a','b','c','d'],'key2':['e','f','g','h'],'key3':['i','j','k','l']},index=['k','l','m','n',])
df2 = pd.DataFrame({'key1':['a','B','c','d'],'key2':['e','f','g','H'],'key4':['i','j','K','L']},index = ['p','q','u','v'])
print(df1)
print(df2)
print(pd.merge(df1,df2,how='inner')) #默認方式，取交集
print(pd.merge(df1,df2,how='outer')) #取並集
print(pd.merge(df1,df2,how='left')) #以左邊為參考，即保留左邊所有行
print(pd.merge(df1,df2,how='right')) #以右邊為參考，即保留右邊所有行
# key1 key2 key3
# k a e i
# l b f j
# m c g k
# n d h l
# key1 key2 key4
# p a e i
# q B f j
# u c g K
# v d H L
# key1 key2 key3 key4
# 0 a e i i
# 1 c g k K
# key1 key2 key3 key4
# 0 a e i i
# 1 b f j NaN
# 2 c g k K
# 3 d h l NaN
# 4 B f NaN j
# 5 d H NaN L
# key1 key2 key3 key4
# 0 a e i i
# 1 b f j NaN
# 2 c g k K
# 3 d h l NaN
# key1 key2 key3 key4
# 0 a e i i
# 1 c g k K
# 2 B f NaN j
# 3 d H NaN L
left_on和right_on：默認都為False，但是如果兩個DataFrame沒有相同的column而又需要對它們的按列合並，則需要使用left_on和right_on分別指明兩邊的參考列；index重新生成為從0開始的整數。
但是left_on和right_on不是必須成對出現，下面關於left_index和right_index會涉及到。
df1 = pd.DataFrame({'key1':['a','b','c','d'],'key2':['e','f','g','h'],'key3':['i','j','k','l']},index=['k','l','m','n'])
df2 = pd.DataFrame({'key4':['a','B','c','d'],'key5':['e','f','g','H'],'key6':['i','j','K','L']},index = ['p','q','u','v'])
print(df1)
print(df2)
# print(pd.merge(df1,df2,df1 = pd.DataFrame({'key1':['a','b','c','d'],'key2':['e','f','g','h'],'key3':['i','j','k','l']},index=['k','l','m','n'])
df2 = pd.DataFrame({'key4':['a','B','c','d'],'key5':['e','f','g','H'],'key6':['i','j','K','L']},index = ['p','q','u','v'])
print(df1)
print(df2)
# print(pd.merge(df1,df2,left_on='key1',right_on='key4'))
# key1 key2 key3
# k a e i
# l b f j
# m c g k
# n d h l
# key4 key5 key6
# p a e i
# q B f j
# u c g K
# v d H L
# key1 key2 key3 key4 key5 key6
# 0 a e i a e i
# 1 c g k c g K
# 2 d h l d H L='key1',right_on='key4'))
# key1 key2 key3
# k a e i
# l b f j
# m c g k
# n d h l
# key4 key5 key6
# p a e i
# q B f j
# u c g K
# v d H L
# key1 key2 key3 key4 key5 key6
# 0 a e i a e i
# 1 c g k c g K
# 2 d h l d H L
left_index和right_index：默認都為False，如果需要按索引進行合並，則需要使用left_index和right_index指明以index為參考。（on、left_on、right_on都是指定以column為參考）
如果使用了left_index或者right_index，必須指明另一方的參考鍵。
結果除了包含兩個DataFrame的所有列，還會生成一個新的列，新列即以指定的兩個參考進行合並后的結果。
如果是left_on = '**' 和right_index = True或者left_index = True 和right_on = '**'，index取on所在的一方，如果是left_index = True和right_index = True，取兩者相同的即可。
df1 = pd.DataFrame({'key1':['a','b','c','d'],'key2':['e','f','g','h']},index=['k','l','m','n'])
df2 = pd.DataFrame({'key1':['k',6,'l']},index=['a','m','c'])
print(df1)
print(df2)
print(pd.merge(df1,df2,left_on='key1',right_index=True)) #index取df1的
print(pd.merge(df1,df2,left_index=True,right_on='key1')) #index取df2的
print(pd.merge(df1,df2,left_index=True,right_index=True)) #index取兩者交集
# key1 key2
# k a e
# l b f
# m c g
# n d h
# key1
# a k
# m 6
# c l
# key1 key1_x key2 key1_y
# k a a e k
# m c c g l
# key1 key1_x key2 key1_y
# a k a e k
# c l b f l
# key1_x key2 key1_y
# m c g 6
sort：結果是否按照參考進行排序，默認不排序；數字按照大小排序，字符串按照A-Za-z排序。
merge結果的顯示順序默認是按照df1、df2的行順序進行顯示，
df1 = pd.DataFrame({'key1':['d','a','c','B'],'key2':[3,6,1,8]},index=['k','l','m','n'])
df2 = pd.DataFrame({'key1':['c','B','a','d'],'key2':[3,8,2,1]},index = ['p','q','u','v'])
print(df1)
print(df2)
print(pd.merge(df1,df2,on='key2',))
print(pd.merge(df1,df2,on='key1',sort=True))
# key1 key2
# k d 3
# l a 6
# m c 1
# n B 8
# key1 key2
# p c 3
# q B 8
# u a 2
# v d 1
# key1_x key2 key1_y
# 0 d 3 c
# 1 c 1 d
# 2 B 8 B
# key1 key2_x key2_y
# 0 B 8 8
# 1 a 6 2
# 2 c 1 3
# 3 d 3 1
pandas自帶的排序方法df.sort_index()、df.sort_values('column')
suffixes：如果兩者相同的column未被指定為參考列，那么結果中這兩個相同的column名稱會被加上后綴，默認為左右分別為_x和_y
df1 = pd.DataFrame({'key1':['a','b','c','d'],'key2':['e','f','g','h']},index=['k','l','m','n',])
df2 = pd.DataFrame({'key1':['a','B','c','d'],'key2':['e','f','g','H']},index = ['p','q','u','v'])
print(df1)
print(df2)
print(pd.merge(df1,df2,on='key1'))
print(pd.merge(df1,df2,on='key2',suffixes=('_df1','_df2')))
# key1 key2_x key2_y
# 0 a e e
# 1 c g g
# 2 d h H
# key1_df1 key2 key1_df2
# 0 a e a
# 1 b f B
# 2 c g c
二、join
join是默認按照index、以left方式實現兩個DataFrame的合並，即默認用法相當於merge的pd.merge(df1,df2,how = 'left',left_index = True,right_index = True)，缺失值默認為NaN
df1.join(df2, on=None, how='left', lsuffix='', rsuffix='',sort=False)
由於join的lsuffix和rsuffix默認值為空，因此如果兩者有相同的column，一定要手動指定這兩個參數，否則會報錯。
join也可以通過on指定前面的DataFrame以column為參考與后面的index關聯實現合並，即相當於merge的pd.merge(df1,df2,how = 'left',left_on ='**',right_index = True)。
index重新生成為從0開始的整數。
df1 = pd.DataFrame({'key1':['a','b','c','d'],'key2':[1,2,3,4]})
df2 = pd.DataFrame({'key1':['a','B','c','d'],'key3':['e','f','g','H']})
print(df1)
print(df2)
print(df1.join(df2,on='key2',lsuffix='_df1',rsuffix='_df2'))
# key1 key2
# 0 a 1
# 1 b 2
# 2 c 3
# 3 d 4
# key1 key3
# 0 a e
# 1 B f
# 2 c g
# 3 d H
# key1_df1 key2 key1_df2 key3
# 0 a 1 B f
# 1 b 2 c g
# 2 c 3 d H
# 3 d 4 NaN NaN
三、concat
上述merge和join都是指定了column或者index為參考對兩個DataFrame進行合並，concat是單純的對DataFrame進行堆疊，並且空值填充為NaN。
concat可一次實現對多個pandas對象的堆疊，默認是對所有列在垂直方向進行堆疊、index為原來各自的索引。
concat( [obj1, obj2, obj3], axis=0, join="outer", join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, sort=None, copy=True)
如果是在水平方向進行堆疊，需要指定axis=1，如果合並后有相同列名稱，可通過add_prefix或者add_suffix為其中一個添加名稱后綴。
s1 = pd.Series([1,2,3],index=['a','b','c'],name='s1') s2 = pd.Series([3,4,'w'],index=['c','x','y'],name='s2') print(s1) print(s2) print(pd.concat([s1,s2])) print(pd.concat([s1,s2],axis=1,sort=False)) # a 1 # b 2 # c 3 # Name: s1, dtype: int64 # c 3 # x 4 # y w # Name: s2, dtype: object # a 1 # b 2 # c 3 # c 3 # x 4 # y w # dtype: object # s1 s2 # a 1.0 NaN # b 2.0 NaN # c 3.0 3 # x NaN 4 # y NaN w
join表示堆疊方式，默認為outer，只有outer和inner方式，inner表示只對相同列進行堆疊。
s1 = pd.DataFrame([[1,2,3],[4,5,6]],columns=['a','b','c']) s2 = pd.DataFrame([[3,4,'w'],[5,6,'x']],columns=['a','b','d']) print(s1) print(s2) print(pd.concat([s1,s2])) print(pd.concat([s1,s2],join="inner")) # a b c # 0 1 2 3 # 1 4 5 6 # a b d # 0 3 4 w # 1 5 6 x # a b c d # 0 1 2 3.0 NaN # 1 4 5 6.0 NaN # 0 3 4 NaN w # 1 5 6 NaN x # a b # 0 1 2 # 1 4 5 # 0 3 4 # 1 5 6
ignore_index表示是否保留原對象的index，默認保留，True表示結果的index為從0開始的整數。
s1 = pd.Series([1,2,3],index=['a','b','c'],name='s1') s2 = pd.Series([3,4,'w'],index=['c','x','y'],name='s2') print(pd.concat([s1,s2])) print(pd.concat([s1,s2],ignore_index=True)) # a 1 # b 2 # c 3 # c 3 # x 4 # y w # dtype: object # 0 1 # 1 2 # 2 3 # 3 3 # 4 4 # 5 w # dtype: object
join_axes指定結果顯示的行索引
s1 = pd.Series([1,2,3],index=['a','b','c'],name='s1') s2 = pd.Series([3,4,'w'],index=['c','x','y'],name='s2') print(pd.concat([s1,s2],axis=1)) print(pd.concat([s1,s2],axis=1,join_axes=[['a','c']])) # s1 s2 # a 1.0 NaN # b 2.0 NaN # c 3.0 3 # x NaN 4 # y NaN w # s1 s2 # a 1 NaN # c 3 3
對於Seris來說，默認按照豎直方向堆疊，如果再指定keys，則會形成一個層次索引。
如果在設置axis=1的情況下即按照水平方向進行堆疊，再指定keys，則keys的值會成為column。
s1 = pd.Series([1,2,3],index=['a','b','c'],name='s1') s2 = pd.Series([3,4,'w'],index=['c','x','y'],name='s2') print(pd.concat([s1,s2])) #豎直方向堆疊 print(pd.concat([s1,s2],keys=['s1','s2'])) #豎直方向堆疊，並形成一個層次索引 print(pd.concat([s1,s2],axis=1,keys=['s1','s2'])) #水平方向堆疊，keys的值為column # a 1 # b 2 # c 3 # c 3 # x 4 # y w # dtype: object # s1 a 1 # b 2 # c 3 # s2 c 3 # x 4 # y w # dtype: object # s1 s2 # a 1.0 NaN # b 2.0 NaN # c 3.0 3 # x NaN 4 # y NaN w
四、替換空值combine_first
在相同index和column的位置，用一個對象的值去替換另一個對象的空值NaN。
df1.combine_forst(df2)，如果df2有不在df1中的index和column，直接追加上去。
df1 = pd.DataFrame([[1,np.nan,3],[np.nan,5,6]],columns=['a','b','c']) df2 = pd.DataFrame([[3,4,'w'],[5,6,'x'],[7,8,9]],columns=['a','b','d']) print(df1) print(df2) print(df1.combine_first(df2)) #對於index為0和1，在對應column位置使用df2的值替換df1的空值 #df2中的index=2和column='d'不在df1中，結果保留這一行和這里一列， # a b c # 0 1.0 NaN 3 # 1 NaN 5.0 6 # a b d # 0 3 4 w # 1 5 6 x # 2 7 8 9 # a b c d # 0 1.0 4.0 3.0 w # 1 5.0 5.0 6.0 x # 2 7.0 8.0 NaN 9
五、更新update
在相同index和column的位置，使用一個對象的值去更新原對象的值，該方法沒有返回值，直接修改原對象。
df1.update(df2)，更新df1，結果只包含原對象的行和列。
df1 = pd.DataFrame([[1,np.nan,3],[np.nan,5,6]],columns=['a','b','c']) df2 = pd.DataFrame([[3,4,'w'],[5,6,'x'],[7,8,9]],columns=['a','b','d']) df1.update(df2) #沒有返回值，直接打印結果為none，且df2中的第3行和d列不追加到df1 print(df1) # a b c # 0 3.0 4.0 3 # 1 5.0 6.0 6
六、去重duplicate與drop_duplicates
duplicate()結果是一個值為布爾的Seris，通過obj[ df.duplicated()==False ]來取出Seris和DataFrame中的重復值、行，新結果的index為False對應的索引。
對於Seris，從第一個值開始判斷，如果元素第一次出現，則duplicate后的值為True，否則為False
對應於DataFrame，從第一行開始判斷，如果行的內容第一次出現（要求行內元素順序一致），則duplicate后的值為True，否則為False。如
s = pd.Series([1,2,2,1,3,3]) print(s.duplicated()) print(s[s.duplicated()==False]) print('----------------') df = pd.DataFrame([[1,2,3],[4,5,6],[1,3,2],[4,5,6],[7,8,9]]) print(df.duplicated()) #[1,2,3]和[1,3,2]不重復 print(df[df.duplicated()==False]) # 0 False # 1 False # 2 True # 3 True # 4 False # 5 True # dtype: bool # 0 1 # 1 2 # 4 3 # dtype: int64 # ---------------- # 0 False # 1 False # 2 False # 3 True # 4 False # dtype: bool # 0 1 2 # 0 1 2 3 # 1 4 5 6 # 2 1 3 2 # 4 7 8 9
drop_duplicates( )刪除重復的元素，默認生成新的結果不修改原對象，如果添加參數inplace=True則直接修改原對象。新結果的index為元素第一次出現時對應的索引
s = pd.Series([1,2,2,1,3,3]) print(s.drop_duplicates()) df = pd.DataFrame([[1,2,3],[4,5,6],[1,3,2],[4,5,6],[7,8,9]]) df.drop_duplicates(inplace=True) print(df) # 0 1 # 1 2 # 4 3 # dtype: int64 # 0 1 2 # 0 1 2 3 # 1 4 5 6 # 2 1 3 2 # 4 7 8 9
七、替換replace
replace('原元素','新元素')將原元素替換成新元素
如果要同時替換多個元素，用列表表示即可；如果要將不同的元素替換成不同的內容，使用字典。
s = pd.Series(list('abcafc')) print(s.replace('a','A')) #將每個a替換成A print(s.replace(['a','b'],'W')) #將所有a、b替換成W print(s.replace({'a':'A','f':'F'})) #將a替換成A，f替換成F df = pd.DataFrame([[1,2,3],[4,5,6],[2,5,8]]) print(df.replace(2,'a')) #將2替換成a