合并
append
1.利用序列添加行(必须指定name)
1 | 3,['Gender','Height']].copy() df_append = df.loc[: |
2.用DataFrame添加表
1 | 'Gender':['F','M'],'Height':[188,176]},index=['new_1','new_2']) df_temp = pd.DataFrame({ |
assign
该方法主要用于添加列,列名直接由参数指定
1 | list('abcd'),index=range(4)) s = pd.Series( |
可以一次添加多个列
1 | lambda x:x['Gender']*2, df_append.assign(col1= |
combine
1.填充对象
combine方法是按照表的顺序轮流进行逐列循环的,而且自动索引对齐,缺失值为NaN
1 | lambda x,y:print(x,y)) df_combine_1.combine(df_combine_2, |
2.combine_first
用df2填补df1的缺失值,功能比较简单,但很多时候会比combine更常用
1 | 'A': [None, 0], 'B': [None, 4]}) df1 = pd.DataFrame({ |
update
三个特点:
- ①返回的框索引只会与被调用框的一致(默认使用左连接,下一节会介绍)
- ②第二个框中的nan元素不会起作用
- ③没有返回值,直接在df上操作
1 | 'A': [1, 2, 3], df1 = pd.DataFrame({ |
concat
concat方法可以在两个维度上拼接,默认纵向凭借(axis=0),拼接方式默认外连接
所谓外连接,就是取拼接方向的并集,而’inner’时取拼接方向(若使用默认的纵向拼接,则为列的交集)的交集
1 | 'A': ['A0', 'A1'], df1 = pd.DataFrame({ |
merge
merge函数的作用是将两个pandas对象横向合并,遇到重复的索引项时会使用笛卡尔积,默认inner连接,可选left、outer、right连接
所谓左连接,就是指以第一个表索引为基准,右边的表中如果不再左边的则不加入,如果在左边的就以笛卡尔积的方式加入
1 | 'key1': ['K0', 'K0', 'K1', 'K2'], left = pd.DataFrame({ |
join
join函数作用是将多个pandas对象横向拼接,遇到重复的索引项时会使用笛卡尔积,默认左连接,可选inner、outer、right连接
1 | 'A': ['A0', 'A1', 'A2'], left = pd.DataFrame({ |