pandas合并和连接多个数据框

​

pandas作为数据分析的利器，提供了数据读取，数据清洗，数据整形等一系列功能。当需要对多个数据集合并处理时，我们就需要对多个数据框进行连接操作，在pandas中，提供了以下多种实现方式

1. concat

concat函数可以在行和列两个水平上灵活的合并多个数据框，基本用法如下

>>> import numpy as np
>>> import pandas as pd
>>> a = pd.DataFrame(np.random.randn(2,2),columns=['A','B'])
>>> a
A B
0 -1.809098 -0.405398
1 0.375546 -1.382664
>>> b = pd.DataFrame(np.random.randn(3,3),columns=['A','B', 'C'])
>>> b
A B C
0 -0.829604 1.090541 0.749220
1 -0.889822 2.227603 -1.211428
2 -1.824889 -0.687067 0.012370
>>> pd.concat([a, b])
A B C
0 -1.809098 -0.405398 NaN
1 0.375546 -1.382664 NaN
0 -0.829604 1.090541 0.749220
1 -0.889822 2.227603 -1.211428
2 -1.824889 -0.687067 0.012370

默认情况下，以行的方式合并多个数据框，对于子数据框中没有的列，以NaN进行填充。

concat函数有多个参数，通过修改参数的值，可以实现灵活的数据框合并。首先是axis参数，从numpy延伸而来的一个概念。对于一个二维的数据框而言，行为0轴， 列为1轴。该参数的默认值为0, 以行的方式进行合并，当设置为1时，表示以列的方式进行合并，示例如下

>>> pd.concat([a, b], axis = 0)
A B C
0 -1.809098 -0.405398 NaN
1 0.375546 -1.382664 NaN
0 -0.829604 1.090541 0.749220
1 -0.889822 2.227603 -1.211428
2 -1.824889 -0.687067 0.012370

>>> pd.concat([a, b], axis = 1)
A B A B C
0 -1.809098 -0.405398 -0.829604 1.090541 0.749220
1 0.375546 -1.382664 -0.889822 2.227603 -1.211428
2 NaN NaN -1.824889 -0.687067 0.012370

观察上述的结果可以发现，合并数据框时，对于不同shape的数据框，尽管行标签和列标签有重复值，但是都是当做独立元素来处理，直接取了并集，这个行为实际上由join参数控制，默认值为outer。合并数据框时，沿着axis参数指定的轴进行合并，而join参数则控制在另外一个轴上，标签如何处理，默认的outer表示取并集，取值为inner时，取交集，只保留overlap的标签，示例如下

>>> pd.concat([a, b], join = "outer")
A B C
0 -1.809098 -0.405398 NaN
1 0.375546 -1.382664 NaN
0 -0.829604 1.090541 0.749220
1 -0.889822 2.227603 -1.211428
2 -1.824889 -0.687067 0.012370
>>> pd.concat([a, b], join = "inner")
A B
0 -1.809098 -0.405398
1 0.375546 -1.382664
0 -0.829604 1.090541
1 -0.889822 2.227603
2 -1.824889 -0.687067

ignore_index参数表示忽略在axis参数指定的轴上的原有标签，默认值为False, 保留原有的标签，示例如下

# 保留原有的行标签
>>> pd.concat([a, b], ignore_index = False)
A B C
0 -1.809098 -0.405398 NaN
1 0.375546 -1.382664 NaN
0 -0.829604 1.090541 0.749220
1 -0.889822 2.227603 -1.211428
2 -1.824889 -0.687067 0.012370
# 用从0开始的数字作为新的行标签
>>> pd.concat([a, b], ignore_index = True)
A B C
0 -1.809098 -0.405398 NaN
1 0.375546 -1.382664 NaN
2 -0.829604 1.090541 0.749220
3 -0.889822 2.227603 -1.211428
4 -1.824889 -0.687067 0.012370

keys参数指定指定一个新的index, 用来区分不同的子数据框，示例如下

>>> pd.concat([a, b], keys = ['a', 'b'])
A B C
a 0 -1.809098 -0.405398 NaN
1 0.375546 -1.382664 NaN
b 0 -0.829604 1.090541 0.749220
1 -0.889822 2.227603 -1.211428
2 -1.824889 -0.687067 0.012370

names参数为index设置名称, 示例如下

>>> pd.concat([a, b], keys = ['a', 'b'], names = ['groupA', 'groupB'])
A B C
groupA groupB
a 0 -1.809098 -0.405398 NaN
1 0.375546 -1.382664 NaN
b 0 -0.829604 1.090541 0.749220
1 -0.889822 2.227603 -1.211428
2 -1.824889 -0.687067 0.012370

verify_integrity参数默认值为False,  允许axis参数指定的轴上有重复的标签，当指定为False时，如果存在重复的标签，则会报错，示例如下

>>> pd.concat([a, b], verify_integrity=False))
A B C
0 -1.809098 -0.405398 NaN
1 0.375546 -1.382664 NaN
0 -0.829604 1.090541 0.749220
1 -0.889822 2.227603 -1.211428
2 -1.824889 -0.687067 0.012370
>>> pd.concat([a, b], verify_integrity=True)
...
ValueError: Indexes have overlapping values: Int64Index([0, 1], dtype='int64')

2. merge

merge以SQL数据库类似的合并逻辑，来合并两个数据框。在SQL数据库中，每个数据表有一个主键，称之为key, 通过比较主键的内容，将两个数据表进行连接，基本用法如下

>>> a = pd.DataFrame({'name':['Rose', 'Andy', 'July'],'age':[21,22,18]})
>>> a
name age
0 Rose 21
1 Andy 22
2 July 18
>>> b = pd.DataFrame({'name':['Rose', 'Andy', 'Jack'],'height':[172,168,175],'weight':[45,55,75]})
>>> b
name height weight
0 Rose 172 45
1 Andy 168 55
2 Jack 175 75
>>>
>>> a.merge(b)
name age height weight
0 Rose 21 172 45
1 Andy 22 168 55

默认情况下，会寻找标签名字相同的列作为key, 然后比较两个数据框中key列对应的元素，取交集的元素作为合并的对象。

通过on参数，可以显示的指定作为key的标签名称，注意用on参数指定的标签名称，必须在两个数据框中同时存在才行，用法如下

>>> a.merge(b, on='name')
name age height weight
0 Rose 21 172 45
1 Andy 22 168 55

对key列元素取交集的行为则由how参数控制，默认值为inner, 表示取交集，共有4种取值，用法如下

# 默认值，取key对应的交集
>>> a.merge(b, how='inner')
name age height weight
0 Rose 21 172 45
1 Andy 22 168 55
# outer表示取key的并集
# 没有的元素用NaN填充
>>> a.merge(b, how='outer')
name age height weight
0 Rose 21.0 172.0 45.0
1 Andy 22.0 168.0 55.0
2 July 18.0 NaN NaN
3 Jack NaN 175.0 75.0
# left表示只取第一个数据框中的key元素
>>> a.merge(b, how='left')
name age height weight
0 Rose 21 172.0 45.0
1 Andy 22 168.0 55.0
2 July 18 NaN NaN
# right表示，只取第二个数据框中的key元素
>>> a.merge(b, how='right')
name age height weight
0 Rose 21.0 172 45
1 Andy 22.0 168 55
2 Jack NaN 175 75

当两个数据框中没有overlap的标签名时，用on参数指定key就不行了，此时可以用left_on和right_on分别指定两个数据框中的key列，用法如下

>>> a = pd.DataFrame({'student_name':['Rose', 'Andy', 'July'],'age':[21,22,18]})
>>> a
student_name age
0 Rose 21
1 Andy 22
2 July 18
>>> b = pd.DataFrame({'name':['Rose', 'Andy', 'Jack'],'height':[172,168,175],'weight':[45,55,75]})
>>> b
name height weight
0 Rose 172 45
1 Andy 168 55
2 Jack 175 75
>>> a.merge(b, left_on='student_name', right_on='name')
student_name age name height weight
0 Rose 21 Rose 172 45
1 Andy 22 Andy 168 55

当两个数据框除了key之外，还有相同的标签，默认会添加_x, _y后缀加以区分，通过suffixes参数可以自定义后缀，用法如下

>>> a.merge(b, on = 'name')
name age height_x height_y weight
0 Rose 21 172 172 45
1 Andy 22 168 168 55
>>> a.merge(b, on = 'name', suffixes = ['_a', '_b'])
name age height_a height_b weight
0 Rose 21 172 172 45
1 Andy 22 168 168 55

默认都是将列标签作为key，通过指定left_index和right_index的值，可以将行标签作为key，用法如下

>>> a = pd.DataFrame({'name':['Rose', 'Andy', 'July'],'age':[21,22,18], 'height':[172,168,175]})
>>> a
name age height
0 Rose 21 172
1 Andy 22 168
2 July 18 175
>>> b = pd.DataFrame({'name':['Rose', 'Andy', 'Jack'],'height':[172,168,175],'weight':[45,55,75]})
>>> b
name height weight
0 Rose 172 45
1 Andy 168 55
2 Jack 175 75
>>> a.merge(b, left_index = True, right_index = True)
name_x age height_x name_y height_y weight
0 Rose 21 172 Rose 172 45
1 Andy 22 168 Andy 168 55
2 July 18 175 Jack 175 75

3. join

join的合并方式和merge相同,  默认根据行标签进行合并， 优势在于可以一次处理多个数据框，用法如下

>>> a = pd.DataFrame(np.random.randn(2,2),columns=['A','B'])
>>> a
A B
0 0.639820 1.680362
1 0.212621 1.204541
>>> b = pd.DataFrame(np.random.randn(3,3),columns=['A','B','C'])
>>> b
A B C
0 0.141238 -1.138415 0.769548
1 1.036439 -1.267921 -0.665270
2 -1.061909 -0.135067 -0.710007
>>> a.join(b, lsuffix='_a', rsuffix='_b')
A_a B_a A_b B_b C
0 0.639820 1.680362 0.141238 -1.138415 0.769548
1 0.212621 1.204541 1.036439 -1.267921 -0.665270

当两个数据框存在相同的列标签时，需要指定lsuffix和rsuffix参数，为相同的列标签加后缀进行区分。同样的，也有how参数控制合并的行为，在join函数中，how参数的默认值为left, 示例如下

>>> a.join(b, lsuffix='_a', rsuffix='_b')
A_a B_a A_b B_b C
0 0.639820 1.680362 0.141238 -1.138415 0.769548
1 0.212621 1.204541 1.036439 -1.267921 -0.665270
# 默认值为left, 以第一个数据框的行作为输出行
>>> a.join(b, lsuffix='_a', rsuffix='_b',how='left')
A_a B_a A_b B_b C
0 0.639820 1.680362 0.141238 -1.138415 0.769548
1 0.212621 1.204541 1.036439 -1.267921 -0.665270
# right, 表示以第二个数据框的行作为输出行
>>> a.join(b, lsuffix='_a', rsuffix='_b',how='right')
A_a B_a A_b B_b C
0 0.639820 1.680362 0.141238 -1.138415 0.769548
1 0.212621 1.204541 1.036439 -1.267921 -0.665270
2 NaN NaN -1.061909 -0.135067 -0.710007
# inner，表示以二者的交集作为输出行
>>> a.join(b, lsuffix='_a', rsuffix='_b',how='inner')
A_a B_a A_b B_b C
0 0.639820 1.680362 0.141238 -1.138415 0.769548
1 0.212621 1.204541 1.036439 -1.267921 -0.665270
# outer, 表示以二者的并集作为输出行
>>> a.join(b, lsuffix='_a', rsuffix='_b',how='outer')
A_a B_a A_b B_b C
0 0.639820 1.680362 0.141238 -1.138415 0.769548
1 0.212621 1.204541 1.036439 -1.267921 -0.665270
2 NaN NaN -1.061909 -0.135067 -0.710007

4. append

append将两个数据框以行的方式进行合并，要求列数相同，用法如下

# append 函数，将新的数据框追加为行
>>> a = pd.DataFrame(np.random.rand(2, 2), columns=['A', 'B'])
>>> b = pd.DataFrame(np.random.rand(2, 2), columns=['A', 'B'])
>>> a
A B
0 0.529614 0.712904
1 0.969706 0.943299
>>> b
A B
0 0.626073 0.293426
1 0.952565 0.251707
>>> a.append(b)
A B
0 0.529614 0.712904
1 0.969706 0.943299
0 0.626073 0.293426
1 0.952565 0.251707

5. assign

assign用于给数据框新增列，用法如下

# assign 函数，为数据框新增列
>>> a.assign(C=pd.Series([1,2]))
A B C
0 0.529614 0.712904 1
1 0.969706 0.943299 2
# 多列就是多个关键词参数
>>> a.assign(C=pd.Series([1,2]),D=[1,2])
A B C D
0 0.529614 0.712904 1 1
1 0.969706 0.943299 2 2

concat, join,merge这3种方式可以合并不同shape的数据框，更加灵活强大，append和assign函数更具针对性。

·end·

一个只分享干货的

生信公众号