碼上快樂

相關內容    簡體    繁體

Python之Pandas使用教程

本文轉載自   查看原文   2019-08-19 17:11   4715    Pandas

Python之Pandas使用教程

1.Pandas概述

  1. Pandas是Python的一個數據分析包，該工具為解決數據分析任務而創建。
  2. Pandas納入大量庫和標准數據模型，提供高效的操作數據集所需的工具。
  3. Pandas提供大量能使我們快速便捷地處理數據的函數和方法。
  4. Pandas是字典形式，基於NumPy創建，讓NumPy為中心的應用變得更加簡單。

2.Pandas安裝

pip3 install pandas

3.Pandas引入

import pandas as pd

4.Pandas數據結構

4.1Series

import numpy as np
import pandas as pd
s=pd.Series([1,2,3,np.nan,5,6])
print(s)
 
----------執行以上程序，返回的結果為----------
0    1.0
1    2.0
2    3.0
3    NaN
4    5.0
5    6.0
dtype: float64

4.2DataFrame

DataFrame是表格型數據結構，包含一組有序的列，每列可以是不同的值類型。DataFrame有行索引和列索引，可以看成由Series組成的字典。

import numpy as np
import pandas as pd
 
dates=pd.date_range('2019-08-01',periods=6)
pd=pd.DataFrame(np.random.randn(6,4),index=dates,columns=['A','B','C','D'])
print('輸出6行4列的表格：')
print(pd)
print('\n')
 
print('輸出第二列：')
print(pd['B'])
print('\n')
 
----------執行以上程序，返回的結果為----------
輸出6行4列的表格：
                   A         B         C         D
2019-08-01  0.796050 -0.383286 -1.465294 -0.272321
2019-08-02 -1.431981 -0.875381  1.371449  0.321703
2019-08-03 -1.497636  1.258925 -1.374210 -0.765626
2019-08-04  2.518305  0.125094  2.647512 -0.024748
2019-08-05 -0.319238  0.395384 -0.582052 -0.396132
2019-08-06 -0.519434  1.873216  1.685524 -1.493000

輸出第二列：
2019-08-01   -0.383286
2019-08-02   -0.875381
2019-08-03    1.258925
2019-08-04    0.125094
2019-08-05    0.395384
2019-08-06    1.873216
Freq: D, Name: B, dtype: float64
 
-------------------------------------------
import numpy as np
import pandas as pd
from datetime import datetime as dt
 
print('通過字典創建DataFrame:')
df_1=pd.DataFrame({'A':1.0,
'B':pd.Timestamp(2019,8,19),
'C':pd.Series(1,index=list(range(4)),dtype='float32'),
'D':np.array([3]*4,dtype='int32'),
'E':pd.Categorical(['test','train','test','train']),
'F':'foo'})
print(df_1)
print('\n')
 
print('返回每列的數據類型：')
print(df_1.dtypes)
print('\n')
 
print('返回行的序號：')
print(df_1.index)
print('\n')
 
print('返回列的序號名字：')
print(df_1.columns)
print('\n')
 
print('把每個值進行打印出來：')
print(df_1.values)
print('\n')
 
print('數字總結：')
print(df_1.describe())
print('\n')
 
print('翻轉數據：')
print(df_1.T)
print('\n')
 
print('按第一列進行排序：')
#axis等於1按列進行排序 如ABCDEFG 然后ascending倒敘進行顯示
print(df_1.sort_index(1,ascending=False))
print('\n')
 
print('按某列的值進行排序：')
print(df_1.sort_values('E'))
print('\n')
 
----------執行以上程序，返回的結果為----------
通過字典創建DataFrame:
     A          B    C  D      E    F
0  1.0 2019-08-19  1.0  3   test  foo
1  1.0 2019-08-19  1.0  3  train  foo
2  1.0 2019-08-19  1.0  3   test  foo
3  1.0 2019-08-19  1.0  3  train  foo

返回每列的數據類型：
A           float64
B    datetime64[ns]
C           float32
D             int32
E          category
F            object
dtype: object

返回行的序號：
Int64Index([0, 1, 2, 3], dtype='int64')

返回列的序號名字：
Index(['A', 'B', 'C', 'D', 'E', 'F'], dtype='object')

把每個值進行打印出來：
[[1.0 Timestamp('2019-08-19 00:00:00') 1.0 3 'test' 'foo']
 [1.0 Timestamp('2019-08-19 00:00:00') 1.0 3 'train' 'foo']
 [1.0 Timestamp('2019-08-19 00:00:00') 1.0 3 'test' 'foo']
 [1.0 Timestamp('2019-08-19 00:00:00') 1.0 3 'train' 'foo']]

數字總結：
         A    C    D
count  4.0  4.0  4.0
mean   1.0  1.0  3.0
std    0.0  0.0  0.0
min    1.0  1.0  3.0
25%    1.0  1.0  3.0
50%    1.0  1.0  3.0
75%    1.0  1.0  3.0
max    1.0  1.0  3.0

翻轉數據：
                     0                    1                    2                    3
A                    1                    1                    1                    1
B  2019-08-19 00:00:00  2019-08-19 00:00:00  2019-08-19 00:00:00  2019-08-19 00:00:00
C                    1                    1                    1                    1
D                    3                    3                    3                    3
E                 test                train                 test                train
F                  foo                  foo                  foo                  foo

按第一列進行排序：
     F      E  D    C          B    A
0  foo   test  3  1.0 2019-08-19  1.0
1  foo  train  3  1.0 2019-08-19  1.0
2  foo   test  3  1.0 2019-08-19  1.0
3  foo  train  3  1.0 2019-08-19  1.0

按某列的值進行排序：
     A          B    C  D      E    F
0  1.0 2019-08-19  1.0  3   test  foo
2  1.0 2019-08-19  1.0  3   test  foo
1  1.0 2019-08-19  1.0  3  train  foo
3  1.0 2019-08-19  1.0  3  train  foo
 

5.Pandas選擇數據

import numpy as np
import pandas as pd
 
dates=pd.date_range('2019-08-01',periods=6)
df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=['A','B','C','D'])
print('輸出6行4列的數據：')
print(df)
 
print('打印B列數據：')
print(df['B'])
 
----------執行以上程序，返回的結果為----------
輸出6行4列的數據：
                   A         B         C         D
2019-08-01 -0.856790 -1.968381 -0.590032 -0.511943
2019-08-02  0.032420  0.750065 -1.168060 -1.571403
2019-08-03  0.962793 -2.377613  1.447871 -1.515988
2019-08-04  1.078565  1.780728 -0.060782  1.393749
2019-08-05 -1.785669  1.161425  0.440988  1.233997
2019-08-06 -0.740927 -0.877388 -0.868203  1.395331

打印B列數據：
2019-08-01   -1.968381
2019-08-02    0.750065
2019-08-03   -2.377613
2019-08-04    1.780728
2019-08-05    1.161425
2019-08-06   -0.877388
Freq: D, Name: B, dtype: float64

切片選擇

print('切片選擇：')
print(df[0:3],df['20190801':'20190804'])
 
----------執行以上程序，返回的結果為----------
切片選擇：
                   A         B         C         D
2019-08-01 -0.456445 -1.641900  0.878254 -0.265412
2019-08-02  0.223910 -1.524222  0.428250  0.410542
2019-08-03 -1.248945  0.649155 -1.039407  0.138473                   
                   A         B         C         D
2019-08-01 -0.456445 -1.641900  0.878254 -0.265412
2019-08-02  0.223910 -1.524222  0.428250  0.410542
2019-08-03 -1.248945  0.649155 -1.039407  0.138473
2019-08-04 -1.135849  1.404054 -0.771489 -0.685064

根據標簽loc-行標簽進行選擇數據

print('根據行標簽進行選擇數據：')
print(df.loc['2019-08-01',['A','B']])
 
----------執行以上程序，返回的結果為----------
根據行標簽進行選擇數據：
A   -0.495304
B   -0.083505
Name: 2019-08-01 00:00:00, dtype: float64

根據序列iloc-行號進行選擇數據

import numpy as np
import pandas as pd
 
print('輸出第三行第一列的數據：')
print(df.iloc[3,1])
print('\n')
 
print('進行切片選擇：')
print(df.iloc[3:5,0:2])
print('\n')
 
print('進行不連續篩選：')
print(df.iloc[[1,2,4],[0,2]])
 
----------執行以上程序，返回的結果為----------
輸出第三行第一列的數據：
1.2355112660049548

進行切片選擇：
                   A         B
2019-08-04 -0.943150  1.235511
2019-08-05 -0.245097 -1.272304

進行不連續篩選：
                   A         C
2019-08-02 -0.212743 -0.584698
2019-08-03  0.012863 -0.896789
2019-08-05 -0.245097  2.646507

根據混合的兩種ix

import numpy as np
import pandas as pd
 
print(df.ix(:3,[A,C]))
 
----------執行以上程序，返回的結果為----------
                   A         C
2019-08-01  1.591064  1.272731
2019-08-02  1.820216  0.657560
2019-08-03  0.358265 -1.197687

根據判斷篩選

import numpy as np
import pandas as pd
 
print('根據判斷篩選：')
print(df[df.A>0])
 
----------執行以上程序，返回的結果為----------
根據判斷篩選：
                   A         B         C         D
2019-08-01  1.098786  0.261861  1.430775 -1.161001
2019-08-05  0.527853 -0.612058 -0.906565  1.279515

 6.Pandas設置數據

根據loc和iloc設置

import numpy as np
import pandas as pd
 
dates=pd.date_range('2019-08-01',periods=6)
df=pd.DataFrame(np.arange(24).reshape(6,4),index=dates,columns=['A','B','C','D'])
print('輸出6行4列的數據：')
print(df)
print('\n')
 
print('更改后的數據：')
df.iloc[2,2]=999
df.loc['2019-08-01','D']=999
print(df)
print('\n')
 
----------執行以上程序，返回的結果為----------
輸出6行4列的數據：
             A   B   C   D
2019-08-01   0   1   2   3
2019-08-02   4   5   6   7
2019-08-03   8   9  10  11
2019-08-04  12  13  14  15
2019-08-05  16  17  18  19
2019-08-06  20  21  22  23

更改后的數據：
             A   B    C    D
2019-08-01   0   1    2  999
2019-08-02   4   5    6    7
2019-08-03   8   9  999   11
2019-08-04  12  13   14   15
2019-08-05  16  17   18   19
2019-08-06  20  21   22   23

根據條件設置

import numpy as np
import pandas as pd
 
print('根據條件設置：')
df[df.A>0]=999
print(df)
 
----------執行以上程序，返回的結果為----------
根據條件設置：
              A    B    C    D
2019-08-01    0    1    2  999
2019-08-02  999  999  999  999
2019-08-03  999  999  999  999
2019-08-04  999  999  999  999
2019-08-05  999  999  999  999
2019-08-06  999  999  999  999

根據行或列設置

import numpy as np
import pandas as pd
 
print('根據行或列設置：')
df['C']=np.nan
print(df)
 
----------執行以上程序，返回的結果為----------
根據行或列設置：
              A    B   C    D
2019-08-01    0    1 NaN  999
2019-08-02  999  999 NaN  999
2019-08-03  999  999 NaN  999
2019-08-04  999  999 NaN  999
2019-08-05  999  999 NaN  999
2019-08-06  999  999 NaN  999

添加數據

import numpy as np
import pandas as pd
 
print('添加數據：')
df['E']=pd.Series([1,2,3,4,5,6],index=pd.date_range('2019-08-03',periods=6))
print(df)
 
----------執行以上程序，返回的結果為----------
添加數據：
              A    B   C    D    E
2019-08-01    0    1 NaN  999  NaN
2019-08-02  999  999 NaN  999  NaN
2019-08-03  999  999 NaN  999  1.0
2019-08-04  999  999 NaN  999  2.0
2019-08-05  999  999 NaN  999  3.0
2019-08-06  999  999 NaN  999  4.0

7.Pandas處理丟失數據

處理數據中NaN數據

import numpy as np
import pandas as pd
 
dates=pd.date_range('2019-08-01',periods=6)
df=pd.DataFrame(np.arange(24).reshape(6,4),index=dates,columns=['A','B','C','D'])
df.iloc[0,1]=np.nan
df.iloc[1,2]=np.nan
print('輸出6行4列的數據：')
print(df)
print('\n')
print('使用dropna()函數去掉NaN的行或列：')
print(df.dropna(0,how='any')) #0對行進行操作 1對列進行操作 any:只要存在NaN即可drop掉 all:必須全部是NaN才可drop
print('\n')
print('使用fillna()函數替換NaN值：')
print(df.fillna(value=0))#將NaN值替換為0
print('\n')
print('使用isnull()函數判斷數據是否丟失：')
print(pd.isnull(df))
 
----------執行以上程序，返回的結果為----------
輸出6行4列的數據：
             A     B     C   D
2019-08-01   0   NaN   2.0   3
2019-08-02   4   5.0   NaN   7
2019-08-03   8   9.0  10.0  11
2019-08-04  12  13.0  14.0  15
2019-08-05  16  17.0  18.0  19
2019-08-06  20  21.0  22.0  23

使用dropna()函數去掉NaN的行或列：
             A     B     C   D
2019-08-03   8   9.0  10.0  11
2019-08-04  12  13.0  14.0  15
2019-08-05  16  17.0  18.0  19
2019-08-06  20  21.0  22.0  23

使用fillna()函數替換NaN值：
             A     B     C   D
2019-08-01   0   0.0   2.0   3
2019-08-02   4   5.0   0.0   7
2019-08-03   8   9.0  10.0  11
2019-08-04  12  13.0  14.0  15
2019-08-05  16  17.0  18.0  19
2019-08-06  20  21.0  22.0  23

使用isnull()函數判斷數據是否丟失：
                A      B      C      D
2019-08-01  False   True  False  False
2019-08-02  False  False   True  False
2019-08-03  False  False  False  False
2019-08-04  False  False  False  False
2019-08-05  False  False  False  False
2019-08-06  False  False  False  False

8.Pandas導入導出

pandas可以讀取與存取像csv、excel、json、html、pickle等格式的資料，詳細說明請看官方資料

import numpy as np
import pandas as pd
 
print('讀取csv文件：')
data=pd.read_csv('test2.csv')
print(data)
print('將資料存儲成pickle文件：')
print(data.to_pickle('test3.pickle'))
 
----------執行以上程序，返回的結果為----------
讀取csv文件：
   A  B  C  D
0  1  1  1  1
1  2  2  2  2
2  3  3  3  3

將資料存儲成pickle文件：
None

9.Pandas合並數據

axis合並方向

import numpy as np
import pandas as pd
 
df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])
df2=pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])
df3=pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d'])
res=pd.concat([df1,df2,df3],axis=0,ignore_index=True) #0表示豎項合並 1表示橫項合並 ingnore_index重置序列index index變為0 1 2 3 4 5 6 7 8
print(res)
 
----------執行以上程序，返回的結果為----------
     a    b    c    d
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  1.0  1.0  1.0  1.0
4  1.0  1.0  1.0  1.0
5  1.0  1.0  1.0  1.0
6  2.0  2.0  2.0  2.0
7  2.0  2.0  2.0  2.0
8  2.0  2.0  2.0  2.0

join合並方式

import numpy as np
import pandas as pd
 
df1=pd.DataFrame(np.ones((3,4))*0,columns=['A','B','C','D'],index=[1,2,3])
df2=pd.DataFrame(np.ones((3,4))*1,columns=['B','C','D','E'],index=[2,3,4])
print('第一個數據為：')
print(df1)
print('\n')
print('第二個數據為：')
print(df2)
print('\n')
 
print('join行往外合並:相當於全連接')
res=pd.concat([df1,df2],axis=1,join='outer')
print(res)
print('\n')
 
print('join行相同的進行合並:相當於內連接')
res2=pd.concat([df1,df2],axis=1,join='inner')
print(res2)
print('\n')
 
print('以df1的序列進行合並：相當於左連接')
res3=pd.concat([df1,df2],axis=1,join_axes=[df1.index])
print(res3)
 
----------執行以上程序，返回的結果為----------
第一個數據為：
     A    B    C    D
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  0.0  0.0  0.0  0.0

第二個數據為：
     B    C    D    E
2  1.0  1.0  1.0  1.0
3  1.0  1.0  1.0  1.0
4  1.0  1.0  1.0  1.0

join行往外合並:相當於全連接
     A    B    C    D    B    C    D    E
1  0.0  0.0  0.0  0.0  NaN  NaN  NaN  NaN
2  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0
3  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0
4  NaN  NaN  NaN  NaN  1.0  1.0  1.0  1.0

join行相同的進行合並:相當於內連接
     A    B    C    D    B    C    D    E
2  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0
3  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0

以df1的序列進行合並：相當於左連接
     A    B    C    D    B    C    D    E
1  0.0  0.0  0.0  0.0  NaN  NaN  NaN  NaN
2  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0
3  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0

append添加數據

import numpy as np
import pandas as pd
 
df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])
df2=pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])
df3=pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d'])
s1=pd.Series([1,2,3,4],index=['a','b','c','d'])
 
print(' 將df2合並到df1的下面 並重置index')
res=df1.append(df2,ignore_index=True)
print(res)
print('\n')
 
print('將s1合並到df1的下面，並重置index')
res2=df1.append(s1,ignore_index=True)
print(res2)
 
----------執行以上程序，返回的結果為----------
將df2合並到df1的下面 並重置index
     a    b    c    d
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  1.0  1.0  1.0  1.0
4  1.0  1.0  1.0  1.0
5  1.0  1.0  1.0  1.0

將s1合並到df1的下面，並重置index
     a    b    c    d
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  1.0  2.0  3.0  4.0

10.Pandas合並merge

依據一組key合並

import numpy as np
import pandas as pd
 
left=pd.DataFrame({'key':['k0','k1','k2','k3'],
                     'A':['A0','A1','A2','A3'],
                     'B':['B0','B1','B2','B3']})
print('第一個數據為：')
print(left)
print('\n')
 
right=pd.DataFrame({'key':['k0','k1','k2','k3'],
                      'C':['C0','C1','C2','C3'],
                      'D':['D0','D1','D2','D3']})
print('第二個數據為：')
print(right)
print('\n')
 
print('依據key進行merge:')
res=pd.merge(left,right,on='key')
print(res)
 
----------執行以上程序，返回的結果為----------
第一個數據為：
  key   A   B
0  k0  A0  B0
1  k1  A1  B1
2  k2  A2  B2
3  k3  A3  B3

第二個數據為：
  key   C   D
0  k0  C0  D0
1  k1  C1  D1
2  k2  C2  D2
3  k3  C3  D3

依據key進行merge:
  key   A   B   C   D
0  k0  A0  B0  C0  D0
1  k1  A1  B1  C1  D1
2  k2  A2  B2  C2  D2
3  k3  A3  B3  C3  D3

依據兩組key合並

import numpy as np
import pandas as pd
 
left=pd.DataFrame({'key1':['k0','k1','k2','k3'],
                   'key2':['k0','k1','k0','k1'],
                      'A':['A0','A1','A2','A3'],
                      'B':['B0','B1','B2','B3']})
print('第一個數據為：')
print(left)
print('\n')
 
right=pd.DataFrame({ 'key1':['k0','k1','k2','k3'],
                    'key2':['k0','k0','k0','k0'],
                       'C':['C0','C1','C2','C3'],
                       'D':['D0','D1','D2','D3']})
print('第二個數據為：')
print(right)
print('\n')
 
print('內聯合並')
res=pd.merge(left,right,on=['key1','key2'],how='inner')
print(res)
print('\n')
 
print('外聯合並')
res2=pd.merge(left,right,on=['key1','key2'],how='outer')
print(res2)
print('\n')
 
print('左聯合並')
res3=pd.merge(left,right,on=['key1','key2'],how='left')
print(res3)
print('\n')
 
print('右聯合並')
res4=pd.merge(left,right,on=['key1','key2'],how='right')
print(res4)
 
----------執行以上程序，返回的結果為----------
第一個數據為：
  key1 key2   A   B
0   k0   k0  A0  B0
1   k1   k1  A1  B1
2   k2   k0  A2  B2
3   k3   k1  A3  B3

第二個數據為：
  key1 key2   C   D
0   k0   k0  C0  D0
1   k1   k0  C1  D1
2   k2   k0  C2  D2
3   k3   k0  C3  D3

內聯合並
  key1 key2   A   B   C   D
0   k0   k0  A0  B0  C0  D0
1   k2   k0  A2  B2  C2  D2

外聯合並
  key1 key2    A    B    C    D
0   k0   k0   A0   B0   C0   D0
1   k1   k1   A1   B1  NaN  NaN
2   k2   k0   A2   B2   C2   D2
3   k3   k1   A3   B3  NaN  NaN
4   k1   k0  NaN  NaN   C1   D1
5   k3   k0  NaN  NaN   C3   D3

左聯合並
  key1 key2   A   B    C    D
0   k0   k0  A0  B0   C0   D0
1   k1   k1  A1  B1  NaN  NaN
2   k2   k0  A2  B2   C2   D2
3   k3   k1  A3  B3  NaN  NaN

右聯合並
  key1 key2    A    B   C   D
0   k0   k0   A0   B0  C0  D0
1   k2   k0   A2   B2  C2  D2
2   k1   k0  NaN  NaN  C1  D1
3   k3   k0  NaN  NaN  C3  D3

Indicator合並

import numpy as np
import pandas as pd
df1=pd.DataFrame({'col1':[0,1],'col_left':['a','b']})
df2=pd.DataFrame({'col1':[1,2,2],'col_right':[2,2,2]})
print('第一個數據為：')
print(df1)
print('\n')
 
print('第二個數據為：')
print(df2)
print('\n')
 
print('依據col1進行合並 並啟用indicator=True輸出每項合並方式:')
res=pd.merge(df1,df2,on='col1',how='outer',indicator=True)
print(res)
print('\n')
 
----------執行以上程序，返回的結果為----------
第一個數據為：
   col1 col_left
0     0        a
1     1        b

第二個數據為：
   col1  col_right
0     1          2
1     2          2
2     2          2

依據col1進行合並 並啟用indicator=True輸出每項合並方式:
   col1 col_left  col_right      _merge
0     0        a        NaN   left_only
1     1        b        2.0        both
2     2      NaN        2.0  right_only
3     2      NaN        2.0  right_only
 

依據index合並

import numpy as np
import pandas as pd
 
left=pd.DataFrame({'A':['A0','A1','A2'],
                   'B':['B0','B1','B2']},
                   index=['k0','k1','k2'])
 
right=pd.DataFrame({'C':['C0','C1','C2'],
                    'D':['D0','D1','D2']},
                   index=['k0','k2','k3']
)
 
print('第一個數據為：')
print(left)
print('\n')
 
print('第二個數據為：')
print(right)
print('\n')
 
print(' 根據index索引進行合並 並選擇外聯合並')
res=pd.merge(left,right,left_index=True,right_index=True,how='outer')
print(res)
print('\n')
 
print(' 根據index索引進行合並 並選擇內聯合並')
res2=pd.merge(left,right,left_index=True,right_index=True,how='inner')
print(res2)
print('\n')
 
 
----------執行以上程序，返回的結果為----------
第一個數據為：
     A   B
k0  A0  B0
k1  A1  B1
k2  A2  B2

第二個數據為：
     C   D
k0  C0  D0
k2  C1  D1
k3  C2  D2

根據index索引進行合並 並選擇外聯合並
      A    B    C    D
k0   A0   B0   C0   D0
k1   A1   B1  NaN  NaN
k2   A2   B2   C1   D1
k3  NaN  NaN   C2   D2

根據index索引進行合並 並選擇內聯合並
     A   B   C   D
k0  A0  B0  C0  D0
k2  A2  B2  C1  D1

 

 


免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。



猜您在找 Python 數據處理庫pandas教程（最后附上pandas_datareader使用實例） python初探——pandas使用 python之pandas簡單介紹及使用（一） Python Pandas pandas.DataFrame.to_sql函數方法的使用 Python Pandas pandas.read_sql函數方法的使用 2018.03.29 python-pandas transform/apply 的使用 Python中使用pandas保存dataframe Python 使用Pandas讀寫Excel文件 如何使用Python 和 Pandas讀寫JSON文件 [Python]使用pandas遍歷excle文件的數據
 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM