2.合并数据集
pandas对象中的数据可以通过一些方式进行合并:
- pandas.merge可根据一个或多个键将不同DataFrame中的行连接起来。
- pandas.concat可以沿着一条轴将多个对象堆叠到一起。
- 实例方法combine_first可以将重复数据拼接在一起,用一个对象中的值填充另 一个对象中的缺失值。
①数据库风格的DataFrame合并
1.多对一的合并
数据集的合并(merge)或连接(join)运算是通过一个或多个键将行连接起来的。 这些运算是关系型数据库(基于SQL)的核心。pandas的merge函数是对数据应用这些算法的主要切入点。
In [23]: df1 = pd.DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'a', 'b'],'data': range(7)})
In [24]: df1
Out[24]:
data key
0 0 b
1 1 b
2 2 a
3 3 c
4 4 a
5 5 a
6 6 b
In [25]: df2 = pd.DataFrame({'key':['a', 'b', 'd'], 'data2': range(3)})
In [26]: df2
Out[26]:
data2 key
0 0 a
1 1 b
2 2 d
df1中的数据有多个被标记为a和b的行,而df2中key列的每个值则仅对应一行。对这些对象调用merge即可得到:
In [27]: pd.merge(df1, df2)
Out[27]:
data key data2
0 0 b 1
1 1 b 1
2 6 b 1
3 2 a 0
4 4 a 0
5 5 a 0
当没有指明要用哪个列进行连接时,merge将会用重叠的列名当做键,这里既是key。我们可以确定一下:
In [28]: pd.merge(df1, df2, on='key')
Out[28]:
data key data2
0 0 b 1
1 1 b 1
2 6 b 1
3 2 a 0
4 4 a 0
5 5 a 0
连接时,是取键的交集。
如果两个对象的列名不同,也必须分别进行指定:
In [34]: df3 = pd.DataFrame({'lkey': ['b', 'b', 'a', 'c', 'a', 'a', 'b'],'data1':range(7)})
In [35]: df3
Out[35]:
data1 lkey
0 0 b
1 1 b
2 2 a
3 3 c
4 4 a
5 5 a
6 6 b
In [36]: df4 = pd.DataFrame({'rkey': ['a', 'b', 'd'], 'data2': range(3)})
In [37]: df4
Out[37]:
data2 rkey
0 0 a
1 1 b
2 2 d
In [38]: pd.merge(df3, df4, left_on='lkey', right_on='rkey')
Out[38]:
data1 lkey data2 rkey
0 0 b 1 b
1 1 b 1 b
2 6 b 1 b
3 2 a 0 a
4 4 a 0 a
5 5 a 0 a
记住,当用merge进行连接时,两个DataFrame的位置和lefton和right_on参数对于的键名必须一一对应,不然会报错。
注意到,结果里面c和d以及与之相关的数据消失了。默认情况下, merge做的是“内连接”;结果中的键是交集。其他方式还有"left"、"right"以及"outer"。外连接求取的是键的并集,组合了左连接和右连接的效果:
In [53]: pd.merge(df1, df2, how='outer')
Out[53]:
data key data2
0 0.0 b 1.0
1 1.0 b 1.0
2 6.0 b 1.0
3 2.0 a 0.0
4 4.0 a 0.0
5 5.0 a 0.0
6 3.0 c NaN
7 NaN d 2.0
对于how选项的总结:
注:how选项的默认值是inner。
In [54]: pd.merge(df1, df2, how='left')
Out[54]:
data key data2
0 0 b 1.0
1 1 b 1.0
2 2 a 0.0
3 3 c NaN
4 4 a 0.0
5 5 a 0.0
6 6 b 1.0
In [55]: pd.merge(df1, df2, how='right')
Out[55]:
data key data2
0 0.0 b 1
1 1.0 b 1
2 6.0 b 1
3 2.0 a 0
4 4.0 a 0
5 5.0 a 0
6 NaN d 2
2.多对多的合并,看下面的例子:
多对多连接产生的是行的笛卡尔积。由于左边的DataFrame有3个"b"行,右边的有2 个,所以最终结果中就有6个"b"行。连接方式只影响出现在结果中的不同的键的值:
要根据多个键进行合并,传入一个由列名组成的列表即可:
In [58]: right = pd.DataFrame({'key1': ['foo', 'foo', 'bar', 'bar'],
...: 'key2': ['one', 'one', 'one', 'two'],
...: 'rval': [14, 5, 6, 7]})
...:
In [59]: left = pd.DataFrame({'key1': ['foo', 'foo', 'bar'],
...: 'key2': ['one', 'two', 'one'],
...: 'lval': [1, 2, 3]})
...:
In [60]: right
Out[60]:
key1 key2 rval
0 foo one 14
1 foo one 5
2 bar one 6
3 bar two 7
In [61]: left
Out[61]:
key1 key2 lval
0 foo one 1
1 foo two 2
2 bar one 3
In [62]: pd.merge(left, right, on=['key1', 'key2'], how='outer')
Out[62]:
key1 key2 lval rval
0 foo one 1.0 14.0
1 foo one 1.0 5.0
2 foo two 2.0 NaN
3 bar one 3.0 6.0
4 bar two NaN 7.0
对于合并运算需要考虑的最后一个问题是对重复列名的处理。虽然你可以手工处理列名重叠的问题(查看前面介绍的重命名轴标签),但merge有一个更实用的 suffixes选项,用于指定附加到左右两个DataFrame对象的重叠列名上的字符串:
In [63]: pd.merge(left, right, on='key1')
Out[63]:
key1 key2_x lval key2_y rval
0 foo one 1 one 14
1 foo one 1 one 5
2 foo two 2 one 14
3 foo two 2 one 5
4 bar one 3 one 6
5 bar one 3 two 7
In [64]: pd.merge(left, right, on='key1', suffixes=('_left', '_right'))
Out[64]:
key1 key2_left lval key2_right rval
0 foo one 1 one 14
1 foo one 1 one 5
2 foo two 2 one 14
3 foo two 2 one 5
4 bar one 3 one 6
5 bar one 3 two 7
merge函数的参数:
②索引上的合并
有时候,DataFrame中的连接键位于其索引中。在这种情况下,你可以传入 left_index=True或right_index=True(或两个都传)以说明索引应该被用作连接键:
left_index=True是指将左侧的行索引作为其连接键,right_index=True是指将右侧的行索引作为连接键。
In [3]: left1 = pd.DataFrame({'key': ['a', 'b', 'a', 'a', 'b', 'c'], 'value': range(6)})
In [4]: right1 = pd.DataFrame({'group_val': [3.5, 7]}, index=['a', 'b'])
In [5]: left1
Out[5]:
key value
0 a 0
1 b 1
2 a 2
3 a 3
4 b 4
5 c 5
In [6]: right1
Out[6]:
group_val
a 3.5
b 7.0
In [7]: pd.merge(left1, right1, left_on='key', right_index=True)
Out[7]:
key value group_val
0 a 0 3.5
2 a 2 3.5
3 a 3 3.5
1 b 1 7.0
4 b 4 7.0
由于默认的merge方法是求取连接键的交集,因此你可以通过外连接的方式得到它们的并集:
In [8]: pd.merge(left1, right1, left_on='key', right_index=True, how='outer')
Out[8]:
key value group_val
0 a 0 3.5
2 a 2 3.5
3 a 3 3.5
1 b 1 7.0
4 b 4 7.0
5 c 5 NaN
对于层次化索引的数据,索引的合并默认是多键合并:
In [10]: lefth = pd.DataFrame({'key1': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
...: 'key2': [2000, 2001, 2002, 2001, 2002],
...: 'data': np.arange(5.)})
...:
In [11]: righth = pd.DataFrame(np.arange(12).reshape((6, 2)),
...: index=[['Nevada', 'Nevada', 'Ohio', 'Ohio', 'Ohio', 'Ohio'],
...: [2001, 2000, 2000, 2000, 2001, 2002]],
...: columns=['event1', 'event2'])
...:
In [12]: lefth
Out[12]:
data key1 key2
0 0.0 Ohio 2000
1 1.0 Ohio 2001
2 2.0 Ohio 2002
3 3.0 Nevada 2001
4 4.0 Nevada 2002
In [13]: righth
Out[13]:
event1 event2
Nevada 2001 0 1
2000 2 3
Ohio 2000 4 5
2000 6 7
2001 8 9
2002 10 11
这种情况下,你必须以列表的形式指明用作合并键的多个列(注意用how='outer'对重复索引值的处理):
In [14]: pd.merge(lefth, righth, left_on=['key1', 'key2'], right_index=True)
Out[14]:
data key1 key2 event1 event2
0 0.0 Ohio 2000 4 5
0 0.0 Ohio 2000 6 7
1 1.0 Ohio 2001 8 9
2 2.0 Ohio 2002 10 11
3 3.0 Nevada 2001 0 1
In [15]: pd.merge(lefth, righth, left_on=['key1', 'key2'], right_index=True, how='outer')
Out[15]:
data key1 key2 event1 event2
0 0.0 Ohio 2000 4.0 5.0
0 0.0 Ohio 2000 6.0 7.0
1 1.0 Ohio 2001 8.0 9.0
2 2.0 Ohio 2002 10.0 11.0
3 3.0 Nevada 2001 0.0 1.0
4 4.0 Nevada 2002 NaN NaN
4 NaN Nevada 2000 2.0 3.0
同时使用合并双方的索引也没问题:
In [16]: left2 = pd.DataFrame([[1., 2.], [3., 4.], [5., 6.]],
...: index=['a', 'c', 'e'],
...: columns=['Ohio', 'Nevada'])
...:
In [17]: right2 = pd.DataFrame([[7., 8.], [9.,10.], [11., 12.], [13.,14.]],
...: index=['b', 'c', 'd', 'e'],
...: columns=['Missouri', 'Alabama'])
...:
In [18]: left2
Out[18]:
Ohio Nevada
a 1.0 2.0
c 3.0 4.0
e 5.0 6.0
In [19]: right2
Out[19]:
Missouri Alabama
b 7.0 8.0
c 9.0 10.0
d 11.0 12.0
e 13.0 14.0
In [20]: pd.merge(left2, right2, how='outer', left_index=True, right_index=True)
Out[20]:
Ohio Nevada Missouri Alabama
a 1.0 2.0 NaN NaN
b NaN NaN 7.0 8.0
c 3.0 4.0 9.0 10.0
d NaN NaN 11.0 12.0
e 5.0 6.0 13.0 14.0
DataFrame还有一个便捷的join实例方法,它能更为方便地实现按索引合并。它还可用于合并多个带有相同或相似索引的DataFrame对象,但要求没有重叠的列。在 上面那个例子中,我们可以编写:
In [21]: left2.join(right2, how='outer')
Out[21]:
Ohio Nevada Missouri Alabama
a 1.0 2.0 NaN NaN
b NaN NaN 7.0 8.0
c 3.0 4.0 9.0 10.0
d NaN NaN 11.0 12.0
e 5.0 6.0 13.0 14.0
DataFrame的join方法默认使用的是左连接,保留左边表的行索引。它还支持在调用的DataFrame的列上,连接传递的DataFrame索引:
In [23]: left1
Out[23]:
key value
0 a 0
1 b 1
2 a 2
3 a 3
4 b 4
5 c 5
In [24]: right1
Out[24]:
group_val
a 3.5
b 7.0
In [25]: left1.join(right1, on='key')
Out[25]:
key value group_val
0 a 0 3.5
1 b 1 7.0
2 a 2 3.5
3 a 3 3.5
4 b 4 7.0
5 c 5 NaN
③轴向连接
另一种数据合并运算也被称作连接(concatenation)、绑定(binding)或堆叠
In [26]: arr = np.arange(12).reshape((3, 4))
In [27]: arr
Out[27]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
In [28]: np.concatenate([arr, arr])
Out[28]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
In [29]: np.concatenate([arr, arr], axis=1)
Out[29]:
array([[ 0, 1, 2, 3, 0, 1, 2, 3],
[ 4, 5, 6, 7, 4, 5, 6, 7],
[ 8, 9, 10, 11, 8, 9, 10, 11]])
concatenation函数默认axis=0(列连接),axis=1行连接。
对于pandas对象(如Series和DataFrame),带有标签的轴使你能够进一步推广数组的连接运算。具体点说,你还需要考虑以下这些东西:
- 如果对象在其它轴上的索引不同,我们应该合并这些轴的不同元素还是只使用交集?
- 连接的数据集是否需要在结果对象中可识别?
- 连接轴中保存的数据是否需要保留?许多情况下,DataFrame默认的整数标签最好在连接时删掉。
pandas的concat函数提供了一种能够解决这些问题的可靠方式。下面将给出一些例子来讲解其使用方式。
假设有三个没有重叠索引的Series:
In [30]: s1 = pd.Series([0, 1], index=['a', 'b'])
In [31]: s2 = pd.Series([2, 3, 4], index=['c', 'd', 'e'])
In [32]: s3 = pd.Series([5, 6], index=['f', 'g'])
对这些对象调用concat可以将值和索引粘合在一起:
In [33]: pd.concat([s1, s2, s3])
Out[33]:
a 0
b 1
c 2
d 3
e 4
f 5
g 6
dtype: int64
默认情况下,concat是在axis=0上工作的,最终产生一个新的Series。如果传入 axis=1,则结果就会变成一个DataFrame(axis=1是列):
In [34]: pd.concat([s1, s2, s3], axis=1)
Out[34]:
0 1 2
a 0.0 NaN NaN
b 1.0 NaN NaN
c NaN 2.0 NaN
d NaN 3.0 NaN
e NaN 4.0 NaN
f NaN NaN 5.0
g NaN NaN 6.0
这种情况下,另外的轴上没有重叠,从索引的有序并集(外连接)上就可以看出来。传入join='inner'即可得到它们的交集,所以这里的连接默认是外连接(join='outer'):
In [35]: s4 = pd.concat([s1, s3])
In [36]: s4
Out[36]:
a 0
b 1
f 5
g 6
dtype: int64
In [37]: pd.concat([s1, s4],axis=1)
Out[37]:
0 1
a 0.0 0
b 1.0 1
f NaN 5
g NaN 6
In [39]: pd.concat([s1, s4],axis=1, join='inner')
Out[39]:
0 1
a 0 0
b 1 1
可以通过join_axes指定要在其它轴上使用的索引:
In [40]: pd.concat([s1, s4], axis=1, join_axes=[['a', 'c', 'b', 'e']])
Out[40]:
0 1
a 0.0 0.0
c NaN NaN
b 1.0 1.0
e NaN NaN
可以通过join_axes指定要在其它轴上使用的索引:
In [40]: pd.concat([s1, s4], axis=1, join_axes=[['a', 'c', 'b', 'e']])
Out[40]:
0 1
a 0.0 0.0
c NaN NaN
b 1.0 1.0
e NaN NaN
假设你想要在连接轴上创建一个层次化索引,使参与连接的片段在结果中区分开。使用keys参数即可达到这个目的:(这是沿着axis=0合并的,默认)
In [41]: result = pd.concat([s1, s2, s3], keys=['one', 'two', 'three'])
In [42]: result
Out[42]:
one a 0
b 1
two c 2
d 3
e 4
three f 5
g 6
dtype: int64
如果沿着axis=1对Series进行合并,则keys就会成为DataFrame的列头:
In [44]: result = pd.concat([s1, s2, s3], keys=['one', 'two', 'three'], axis=1)
In [45]: result
Out[45]:
one two three
a 0.0 NaN NaN
b 1.0 NaN NaN
c NaN 2.0 NaN
d NaN 3.0 NaN
e NaN 4.0 NaN
f NaN NaN 5.0
g NaN NaN 6.0
同样的逻辑也适用于DataFrame对象:
In [46]: df1 = pd.DataFrame(np.arange(6).reshape(3,2),index=['a', 'b', 'c'],columns=['one',
...: 'two'])
In [47]: df2 = pd.DataFrame(5+np.arange(4).reshape(2, 2), index=['a', 'c'], columns=['three'
...: , 'four'])
In [48]: df1
Out[48]:
one two
a 0 1
b 2 3
c 4 5
In [50]: df2
Out[50]:
three four
a 5 6
c 7 8
In [52]: pd.concat([df1, df2], axis=1, keys=['level1', 'level2'])
Out[52]:
level1 level2
one two three four
a 0 1 5.0 6.0
b 2 3 NaN NaN
c 4 5 7.0 8.0
如果传入的不是列表而是一个字典,则字典的键就会被当做keys选项的值:
In [53]: pd.concat({'level1': df1, 'level2': df2},axis=1)
Out[53]:
level1 level2
one two three four
a 0 1 5.0 6.0
b 2 3 NaN NaN
c 4 5 7.0 8.0
此外还有两个用于管理层次化索引创建方式的参数。举个例子,我们可以用names参数命名创建的轴级别:
In [54]: pd.concat([df1, df2], axis=1, keys=['level1', 'level2'], names=['upper', 'lower'])
Out[54]:
upper level1 level2
lower one two three four
a 0 1 5.0 6.0
b 2 3 NaN NaN
c 4 5 7.0 8.0
最后一个关于DataFrame的问题是,DataFrame的行索引不包含任何相关数据:
In [55]: df1 = pd.DataFrame(np.random.randn(3, 4), columns=['a', 'b', 'c', 'd'])
In [56]: df2 = pd.DataFrame(np.random.randn(2, 3), columns=['b', 'd', 'a'])
In [57]: df1
Out[57]:
a b c d
0 0.462592 -0.483619 -0.309090 0.346428
1 0.095334 1.995289 -1.506938 -1.463913
2 -0.536354 1.757570 0.245877 -0.619046
In [58]: df2
Out[58]:
b d a
0 0.397341 1.188116 -1.728195
1 -0.936105 0.116097 2.243444
在这种情况下,传入ignore_index=True即可:
In [59]: pd.concat([df1, df2], ignore_index=True)
Out[59]:
a b c d
0 0.462592 -0.483619 -0.309090 0.346428
1 0.095334 1.995289 -1.506938 -1.463913
2 -0.536354 1.757570 0.245877 -0.619046
3 -1.728195 0.397341 NaN 1.188116
4 2.243444 -0.936105 NaN 0.116097
关于concat函数的参数:
④合并重叠数据
还有一种数据组合问题不能用简单的合并(merge)或连接(concatenation)运算 来处理。比如说,你可能有索引全部或部分重叠的两个数据集。
举个有启发性的例子,我们使用NumPy的where函数,它表示一种等价于面向数组的if-else:
In [60]: a = pd.Series([np.nan, 2.5, np.nan, 3.5, 4.5, np.nan],index=['f', 'e', 'd', 'c', 'b
...: ', 'a'])
In [61]: b = pd.Series(np.arange(len(a), dtype=np.float64),index=['f', 'e', 'd', 'c', 'b', '
...: a'])
In [62]: b[-1] = np.nan
In [63]: a
Out[63]:
f NaN
e 2.5
d NaN
c 3.5
b 4.5
a NaN
dtype: float64
In [64]: b
Out[64]:
f 0.0
e 1.0
d 2.0
c 3.0
b 4.0
a NaN
dtype: float64
In [65]: np.where(pd.isnull(a), b, a)
Out[65]: array([0. , 2.5, 2. , 3.5, 4.5, nan])
Series有一个combine_first方法,实现的也是一样的功能,还带有pandas的数据对齐:
In [71]: a.combine_first(b)
Out[71]:
f 0.0
e 2.5
d 2.0
c 3.5
b 4.5
a NaN
dtype: float64 ##用b的值填补a中的缺失值
In [70]: b[:-2].combine_first(a[2:])
Out[70]:
a NaN
b 4.5
c 3.0
d 2.0
e 1.0
f 0.0
dtype: float64
对于DataFrame,combine_first自然也会在列上做同样的事情,因此你可以将其看做,用传递对象中的数据为调用对象的缺失数据“打补丁”:
In [72]: df1 = pd.DataFrame({'a': [1., np.nan, 5., np.nan],
...: 'b': [np.nan, 2., np.nan, 6.],
...:
...: 'c': range(2, 18, 4)})
In [73]: df2 = pd.DataFrame({'a': [5., 4., np.nan,3., 7.],
...: 'b': [np.nan, 3., 4., 6., 8.]})
...:
In [74]: df1
Out[74]:
a b c
0 1.0 NaN 2
1 NaN 2.0 6
2 5.0 NaN 10
3 NaN 6.0 14
In [75]: df2
Out[75]:
a b
0 5.0 NaN
1 4.0 3.0
2 NaN 4.0
3 3.0 6.0
4 7.0 8.0
In [76]: df1.combine_first(df2)
Out[76]:
a b c
0 1.0 NaN 2.0
1 4.0 2.0 6.0
2 5.0 4.0 10.0
3 3.0 6.0 14.0
4 7.0 8.0 NaN