Python数据分析数据可视化-----非常基础却又非常有用的Pandas数据连接与修补工作

上一篇博文讲了怎样通过merge 和 join 合并数据，这一篇讲一下数据的连接与修补方法

（1）连接–concat
分为按行连接和按列连接，默认为按行连接

生成Series数组

s1 = pd.Series([1,2,3])
s2 = pd.Series([2,3,4])
s3 = pd.Series([1,2,3],index = ['a','c','h'])
s4 = pd.Series([2,3,4],index = ['b','e','d'])
print(s1)
print('--------')
print(s2)
print('--------')
print(s3)
print('--------')
print(s4)

输出结果：

按行连接

print(pd.concat([s1,s2]))
print(pd.concat([s3,s4]).sort_index())

输出结果：

按列连接

print(pd.concat([s3,s4], axis=1))

输出结果：

（2）连接方式–join，join_axes
通过join参数来选择连接时是选并集还是补集，通过join_axes参数来选择连接的index

创建Series

s5 = pd.Series([1,2,3],index = ['a','b','c'])
s6 = pd.Series([2,3,4],index = ['b','c','d'])

指定连接方式

print(pd.concat([s5,s6], axis= 1))
print(pd.concat([s5,s6], axis= 1, join='inner'))
print(pd.concat([s5,s6], axis= 1, join_axes=[['a','b','d']]))

输出结果：

（3）覆盖列名
连接之后我们可以给数据指定新的key序列名，默认是没有的

sre = pd.concat([s5,s6], keys = ['one','two'])
print(sre,type(sre))
print(sre.index)

输出结果：

axis=1的时候覆盖列名

sre = pd.concat([s5,s6], axis=1, keys = ['one','two'])
print(sre,type(sre))

输出结果：

（4）数据修补
做数据分析的时候我们经常需要做一些数据修补工作，pandas里面通过pd.combine_first( ) 实现

创建含空值的Dataframe

df1 = pd.DataFrame([[np.nan, 3., 5.], [-4.6, np.nan, np.nan],[np.nan, 7., np.nan]])
df2 = pd.DataFrame([[-42.6, np.nan, -8.2], [-5., 1.6, 4]],index=[1, 2])
print(df1)
print(df2)

输出结果：

数据修补，根据index值，df1里面的空值用df2修补

print(df1.combine_first(df2))

输出结果：

更新df1，直接用df2覆盖df1，在相同index的位置

df1.update(df2)
print(df1)

输出结果：

今天就到这里啦~

我是一位211高校在读的本科生，是个耿直GIRL，对数据分析比较感兴趣，去年拿到了数学建模国家一等奖，今年参加了美赛还没结果，参加比赛选的题型都是大数据型，用过Excel，Spss，Lingo，MATLAB做数据分析，现在觉得Python比较高效，做数据可视化也非常方便，每天都在坚持学习，对Python数据分析和数据可视化有兴趣的可以关注我哦，每天都会更新的，跟我一起进步呀