数据合并与对比

深入浅出Pandas读书笔记

C7 Pandas数据合并与对比

7.1 数据追加 df.append

The frame.append method is deprecated and will be removed from pandas in a future version. Use pandas.concat instead.

7.2 数据链接 pd.concat

7.2.1 基本语法

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

其中主要参数

• objs 需要链接的数据, 可以是多个DataFrame或者Series
• axis 链接轴的方法, 默认0
• join 合并方式
• ignore_index 是否保留原来的索引
• keys 链接关系
• names 索引的名称
• verify_integrity 是否检测内容重复, 参数为True时, 如果合并的数据与原数据包含索引相同的行, 则会报错
• copy 是否深拷贝

7.2.2 简单链接

pd.concat()的基本操作可以实现df.append()功能

7.2.3 按列链接

df1 = pd.DataFrame({'x': [1, 2], 'y': [3, 4]})
df2 = pd.DataFrame({'x': [5, 6, 0], 'y': [7, 8, 0]})
pd.concat([df1, df2], axis=1)

7.2.4 合并交集

pd.concat([df1, df2], axis=1, join='inner')

7.2.5 与序列合并

z = pd.Series([9, 9], name='z')
pd.concat([df1, z], axis=1)
# 但是还是建议使用df.assign()
df1.assign(z=z)

7.2.6 指定索引

# 指定索引名, 合并
pd.concat([df1, df2], keys=['df1', 'df2'])
# 以字典形式, 指定列名合并
pieces = {'df1': df1, 'df2': df2}
pd.concat(pieces)
# 横向合并
pd.concat([df1, df2], axis=1, keys=['df1', 'df2'])

7.2.7 多文件合并

# 主要不要一个表格用一次concat, 这样性能会很差, 可以先把所有表格加到列表里, 然后一次性合并, 前提是你已经确定他们格式都是一样
frames = [process_your_file(f) for f in files] # 将所有文件读成DataFrame, 放在list中
result = pd.concat(frames)

7.2.8 目录文件合并

# 去除目录下所有XLSX格式的文件
files = glob.glob('*.xlsx') # 利用glob库找到复合条件的文件
cols = ['ID', '时间', '名称'] # 只取这些列
# 列表推导出对象
dflist = [pd.read_excel(i, usecols=cols) for i in files]
df = pd.concat(dflist)
# 使用map函数进行操作
pd.concat(map(pd.read_csv, ['d1.csv', 'd2.csv', 'd3.csv'])) # 并没有使用中间变量存储读出来的文件
# 使用glob + map
df = pd.concat(map(pd.read_excel, glob.glob('*.xlsx')))

7.3 数据合并 pd.merge

7.3.1 基本语法

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_inex=False, sort=True, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)

可以将两个DataFramem或Series合并, 最终返回一个DataFrame, 其中主要参数如下

• left, right 需要链接的两个DataFrame或Series
• how 链接方式
• on 作为链接的字段, 左右数据中都必须存在
• left_on, right_on
• left_index, right_index
• suffixes 如果出现重复列, 新数据表头会用此后缀区分, 默认_x, _y

7.3.2 链接键

在连接时, 如果没有指定根据哪一列进行连接, Pandas会自动找到相同列名的列进行连接, 并按左边数据的顺序取交集数据. 为了代码的可阅读性和严谨性, 推荐通过on参数指定链接键

df1 = pd.DataFrame({'a': [1, 2], 'b': [5, 6]})
df2 = pd.DataFrame({'a': [2, 1, 0], 'y': [6, 7, 8]})
pd.merge(df1, df2, on='a')

7.3.3 索引链接

pd.merge(df1, df2, left_index=True, right_index=True, suffixes=['_df1', '_df2'])

7.3.4 多链接键

df3 = pd.DataFrame({'a': [1, 2], 'b': [3, 4], 'x': [5, 6]})
df4 = pd.DataFrame({'a': [1, 2, 3], 'b': [3, 4, 5], 'y': [6, 7, 8]})
pd.merge(df3, df4, on=['a', 'b'])

7.3.5 链接方法

how参数可以指定数据用那种方法进行合并, 可以设置为inner, outer, left, right

pd.merge(df3, df4, how='left', on=['a', 'b']) # 左连接
right # 右链接
inner # 内链接
outer # 外连接

7.3.6 链接指示

如果想知道数据链接后是左表内容还是右表内容, 可以使用indicator参数显示链接方式, 设置indicator后会增加名为_merge的列, 显示这列是从何而来

pd.merge(df1, df2, on='a', how='outer', indicator=True)
'''
a	b	y	_merge
0	1	5.0	7	both
1	2	6.0	6	both
2	0	NaN	8	right_only
'''

7.4 按元素合并

7.4.1 df.combine_first()

使用相同位置的值更新空元素, 只有在df1有空元素时才能替换值, 如果数据结构不一致, 所得DataFrame的行索引和列索引将是两者的并集

# df1中的A和B的空值被df2中相同位置的值替换
df1 = pd.DataFrame({'A': [None, 1], 'B': [None, 2]})
df2 = pd.DataFrame({'A': [3, 3], 'B': [4, 4]})
df1.combine_first(df2)
#
df1 = pd.DataFrame({'A': [None, 1], 'B': [None, 2]})
df2 = pd.DataFrame({'A': [3, 3], 'C': [4, 4]}, index=[1, 2])
df1.combine_first(df2)
'''
A	B	C
0	NaN	NaN	NaN
1	1.0	2.0	4.0
2	3.0	NaN	4.0
'''

7.4.2 df.combine()

可以与另一个DataFrame进行按列组合, 使用函数通过计算将一个DataFrame与其他DataFrame合并, 以逐元素方式合并. 所得DataFrame的行索引和列索引将是两者的并集.

# 语法
df1.combine(
    other: 'DataFrame',
    func,
    fill_value=None,
    overwrite: 'bool' = True,
) -> 'DataFrame'
# 逐个元素传入, 一次对比, 按照func规则链接两个DataFrame
df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df2 = pd.DataFrame({'A': [0, 3], 'B': [2, 1]})
df1.combine(df2, lambda x1, x2: np.where(x1>x2, x1, x2))

7.4.3 df.update()

可以使用来自另一个DataFrame的非NaN值来修改DataFrame, 原DataFrame被更新

df1 = pd.DataFrame({'a': [None, 2], 'b': [5, 6]})
df2 = pd.DataFrame({'a': [0, 2], 'b': [None, 7]})
df1.update(df2)
df1
'''
a	b
0	0.0	5.0
1	2.0	7.0
'''

7.5 数据对比 df.compare