<p>在<a href="https://blog.csdn.net/yifengchaoran/article/details/110334784">pandas 基础操作大全之数据读取&清洗&分析</a>中介绍了pandas常见的数据处理操作，现在继续对pandas常用的数据合并操作做下介绍，便于大家快速了解，也方便后续需要时快速查询。</p>
<h1>一、 concat--数据合并</h1>
<h2>1.1 概述</h2>
<pre class="blockcode"><code class="language-python">#pandas 的 concat函数表达式如下
pd.concat(
[df1, df2, df3], #指定需合并的两个或多个Dataframe，各个df的shape可以不同
axis = 0, #指定合并时，合并的轴方向，默认为0，即行合并，多个df会在纵向进行拼接合并
join = 'outer', #指定在合并轴方向的另外一个轴方向，标签如何合并，outer指取并集，inner指取交集
ignore_index = False, #指定是否保留原各个df在合并轴方向上的原有标签，默认False，即保留
keys = ['a','b','c'], #为合并后的数据，在合并轴方向上指定新的index，便于区分各个合并数据源
names = ['groupA','groupB'], #为
verify_integrity = False， #指定是否允许在指定的合并轴方向上，允许存在重复的标签，默认值为False，即允许，当指定为True时，如果有重复，在合并的时候会报错
)
</code></pre>
<h2>1.2 指定合并的轴方向--axis</h2>
<pre class="blockcode"><code class="language-python">#一般情况下，基本是在行方向将多个DataFrame进行连接合并，组成一个新的DataFrame，便于统一进行处理
#常见的应用场景，比如多个DataFrame可能有部分相同的列，希望连在一起，分析其规律
#df1数据源如下：
A B C
0 0.214326 0.818321 -0.055211
1 -0.941666 2.396083 2.173411
#df2数据源如下：
A B
0 0.397919 -0.350948
1 0.147547 -0.172974
pd.concat([df1 , df2], axis=0) #运算结果如下
A B C
0 -0.663727 1.883112 -0.409361
1 0.874930 -0.120000 0.015474
0 0.380397 -1.088665 NaN
1 -1.623468 0.610855 NaN
pd.concat([df1 , df2], axis=1) #运算结果如下
A B C A B
0 -0.663727 1.883112 -0.409361 0.380397 -1.088665
1 0.874930 -0.120000 0.015474 -1.623468 0.610855</code></pre>
<h2>1.3 指定合并轴另外一个轴标签是否合并--join</h2>
<pre class="blockcode"><code class="language-python">#一般直接使用join的默认值，即outer，取并集，此时不会丢弃多个DataFrame的任何列信息
#当然，如果想合并时，最后只留下多个DataFrame相同的列或行标签，则使用inner取交集
#df1数据源如下：
A B C
0 0.214326 0.818321 -0.055211
1 -0.941666 2.396083 2.173411
#df2数据源如下：
A B
0 0.397919 -0.350948
1 0.147547 -0.172974
pd.concat([df1 , df2], join = 'outer') #运算结果如下
A B C
0 -0.663727 1.883112 -0.409361
1 0.874930 -0.120000 0.015474
0 0.380397 -1.088665 NaN
1 -1.623468 0.610855 NaN
pd.concat([df1 , df2], join = 'inner') #运算结果如下
A B
0 -0.663727 1.883112
1 0.874930 -0.120000
0 0.380397 -1.088665
1 -1.623468 0.610855</code></pre>
<h2>1.4 指定合并轴原标签是否需要变化--ignore_index</h2>
<pre class="blockcode"><code class="language-python">#该参数在希望对行进行遍历处理时，会比较有用，因为可以设置忽略合并轴方向之前的index或标签，重新进行生成，就像是一个全新的DataFrame一样
#df2数据源如下：
A B C
0 0.214326 0.818321 -0.055211
1 -0.941666 2.396083 2.173411
#df2数据源如下：
A B
0 0.397919 -0.350948
1 0.147547 -0.172974
pd.concat([df1,df2],ignore_index=True) #运算结果如下
A B C
0 -0.663727 1.883112 -0.409361
1 0.874930 -0.120000 0.015474
2 0.380397 -1.088665 NaN
3 -1.623468 0.610855 NaN
pd.concat([df1,df2],ignore_index=False) #运算结果如下
A B C
0 -0.663727 1.883112 -0.409361
1 0.874930 -0.120000 0.015474
0 0.380397 -1.088665 NaN
1 -1.623468 0.610855 NaN
</code></pre>
<h2>1.5 指定合并轴方向新的index，便于区分数据--keys</h2>
<p>该参数类似于分组的效果</p>
<pre class="blockcode"><code class="language-python">#该参数类似分组的效果，即沿着合并轴方向，按照合并的数据源，进行分组，便于区分合并数据来源
#df1数据源如下：
A B C
0 0.214326 0.818321 -0.055211
1 -0.941666 2.396083 2.173411
#df2数据源如下：
A B
0 0.397919 -0.350948
1 0.147547 -0.172974
pd.concat([df1,df2],keys=['a','b']) #运算结果如下
A B C
a 0 -0.663727 1.883112 -0.409361
1 0.874930 -0.120000 0.015474
b 0 0.380397 -1.088665 NaN
1 -1.623468 0.610855 NaN</code></pre>
<h2>1.6 指定合并轴方向新的index 的含义名称，一般和keys一起使用，让合并后的数据更直观--names</h2>
<pre class="blockcode"><code class="language-python">#该参数一般与keys一起使用，比如df1和df2是两个季度前两个月的数 |
|
转播
