Python基础 |
您所在的位置：网站首页 › python dataframe merge › Python基础 |
Python基础
|
目录行的unionpd.concatdf.append列的joinpd.concatpd.mergedf.join行列转置pivotstack & unstackmelt
本文示例数据下载，密码:vwy3 import pandas as pd # 数据是之前在cnblog上抓取的部分文章信息 df = pd.read_csv('./data/SQL测试用数据_20200325.csv',encoding='utf-8') # 为了后续演示，抽样生成两个数据集 df1 = df.sample(n=500,random_state=123) df2 = df.sample(n=600,random_state=234) # 保证有较多的交集 # 比例抽样是有顺序的，不加random_state，那么两个数据集是一样的 行的unionpandas 官方教程 pd.concatpd.concat主要参数说明： 要合并的dataframe，可以用[]进行包裹，e.g. [df1,df2,df3]; axis=0,axis是拼接的方向，0代表行，1代表列，不过很少用pd.concat来做列的join join='outer' ignore_index: bool = False,看是否需要重置index如果要达到union all的效果，那么要拼接的多个dataframe，必须： 列名名称及顺序都需要保持一致 每列的数据类型要对应如果列名不一致就会产生新的列 如果数据类型不一致，不一定报错，要看具体的兼容场景 df2.columns输出： Index(['href', 'title', 'create_time', 'read_cnt', 'blog_name', 'date', 'weekday', 'hour'], dtype='object') # 这里故意修改下第2列的名称 df2.columns = ['href', 'title_2', 'create_time', 'read_cnt', 'blog_name', 'date','weekday', 'hour'] print(df1.shape,df2.shape) # inner方法将无法配对的列删除 # 拼接的方向，默认是就行(axis=0) df_m = pd.concat([df1,df2],axis=0,join='inner') print(df_m.shape)输出： (500, 8) (600, 8) (1100, 7) # 查看去重后的数据集大小 df_m.drop_duplicates(subset='href').shape输出： (849, 7) df.append和pd.concat方法的区别： append只能做行的union append方法是outer join相同点： append可以支持多个dataframe的union append大致等同于 pd.concat([df1,df2],axis=0,join='outer') df1.append(df2).shape输出： (1100, 9) df1.append([df2,df2]).shape输出： (1700, 9) 列的join pd.concatpd.concat也可以做join，不过关联的字段不是列的值，而是index 也因为是基于index的关联，所以pd.concat可以对超过2个以上的dataframe做join操作 # 按列拼接，设置axis=1 # inner join print(df1.shape,df2.shape) df_m_c = pd.concat([df1,df2], axis=1, join='inner') print(df_m_c.shape)输出： (500, 8) (600, 8) (251, 16) 这里是251行，可以取两个dataframe的index然后求交集看下 set1 = set(df1.index) set2 = set(df2.index) set_join = set1.intersection(set2) print(len(set1), len(set2), len(set_join))输出： 500 600 251 pd.mergepd.merge主要参数说明： left, join操作左侧的那一个dataframe right, join操作左侧的那一个dataframe, merge方法只能对2个dataframe做join how: join方式，默认是inner，str = 'inner' on=None 关联的字段，如果两个dataframe关联字段一样时，设置on就行，不用管left_on,right_on left_on=None 左表的关联字段 right_on=None 右表的关联字段，如果两个dataframe关联字段名称不一样的时候就设置左右字段 suffixes=('_x', '_y'), join后给左右表字段加的前缀,除关联字段外 print(df1.shape,df2.shape) df_m = pd.merge(left=df1, right=df2\ ,how='inner'\ ,on=['href','blog_name'] ) print(df_m.shape)输出： (500, 8) (600, 8) (251, 14) print(df1.shape,df2.shape) df_m = pd.merge(left=df1, right=df2\ ,how='inner'\ ,left_on = 'href',right_on='href' ) print(df_m.shape)输出： (500, 8) (600, 8) (251, 15) # 对比下不同join模式的区别 print(df1.shape,df2.shape) # inner join df_inner = pd.merge(left=df1, right=df2\ ,how='inner'\ ,on=['href','blog_name'] ) # full outer join df_full_outer = pd.merge(left=df1, right=df2\ ,how='outer'\ ,on=['href','blog_name'] ) # left outer join df_left_outer = pd.merge(left=df1, right=df2\ ,how='left'\ ,on=['href','blog_name'] ) # right outer join df_right_outer = pd.merge(left=df1, right=df2\ ,how='right'\ ,on=['href','blog_name'] ) print('inner join 左表∩右表:' + str(df_inner.shape)) print('full outer join 左表∪右表:' + str(df_full_outer.shape)) print('left outer join 左表包含右表:' + str(df_left_outer.shape)) print('right outer join 右表包含左表:' + str(df_right_outer.shape))输出： (500, 8) (600, 8) inner join 左表∩右表:(251, 14) full outer join 左表∪右表:(849, 14) left outer join 左表包含右表:(500, 14) right outer join 右表包含左表:(600, 14) df.joindf.join主要参数说明： other 右表 on 关联字段,这个和pd.concat做列join一样，是关联index的 how='left' lsuffix='' 左表后缀 rsuffix='' 右表后缀 print(df1.shape,df2.shape) df_m = df1.join(df2, how='inner',lsuffix='1',rsuffix='2') df_m.shape输出： (500, 8) (600, 8) (251, 16) 行列转置pandas 官方教程 # 数据准备 import math df['time_mark'] = df['hour'].apply(lambda x:math.ceil(int(x)/8)) df_stat_raw = df.pivot_table(values= ['read_cnt','href']\ ,index=['weekday','time_mark']\ ,aggfunc={'read_cnt':'sum','href':'count'}) df_stat = df_stat_raw.reset_index() df_stat.head(3)如上所示，df_stat是两个维度weekday,time_mark 以及两个计量指标 href, read_cnt pivot
# pandas.pivot_table生成的结果如下
df_stat_raw
# unstack默认是将排位最靠后的index转成column(column放到下面)
df_stat_raw.unstack()
# unstack也可以指定index,然后转成最底层的column
df_stat_raw.unstack('weekday')
# 这个语句的效果是一样的，可以指定`index`的位置
# stat_raw.unstack(0)
# stack则是将层级醉倒的column转化为index
df_stat_raw.unstack().stack().head(5)
# 经过两次stack后就成为多维表了
# 每次stack都会像洋葱一样将column放到左侧的index来(放到index序列最后)
df_stat_raw.unstack().stack().stack().head(5)
输出： weekday time_mark 1 0 href 4 read_cnt 2386 1 href 32 read_cnt 31888 2 href 94 dtype: int64 pd.DataFrame(df_stat_raw.unstack().stack().stack()).reset_index().head(5)
melt方法中id_vals是指保留哪些作为维度(index)，剩下的都看做是数值(value) 除此之外，会另外生成一个维度叫variable，列转行后记录被转的的变量名称
|
【本文地址】