转载：https://blog.csdn.net/ly_ysys629/article/details/73849543

参考：https://blog.csdn.net/stevenkwong/article/details/52540605

数据规整化：合并、清理、过滤

pandas和python标准库提供了一整套高级、灵活的、高效的核心函数和算法将数据规整化为你想要的形式！

本篇博客主要介绍：

合并数据集：.merge()、.concat()等方法，类似于SQL或其他关系型数据库的连接操作。

合并数据集

1） merge 函数参数

参数说明

left

参与合并的左侧DataFrame

right

参与合并的右侧DataFrame

how

连接方式：‘inner’（默认）；还有，‘outer’、‘left’、‘right’

on

用于连接的列名，必须同时存在于左右两个DataFrame对象中，如果位指定，则以left和right列名的交集作为连接键

left_on

左侧DataFarme中用作连接键的列

right_on

右侧DataFarme中用作连接键的列

left_index

将左侧的行索引用作其连接键

right_index

将右侧的行索引用作其连接键

sort

根据连接键对合并后的数据进行排序，默认为True。有时在处理大数据集时，禁用该选项可获得更好的性能

suffixes

字符串值元组，用于追加到重叠列名的末尾，默认为（‘_x’,‘_y’）.例如，左右两个DataFrame对象都有‘data’，则结果中就会出现‘data_x’，‘data_y’

copy

设置为False，可以在某些特殊情况下避免将数据复制到结果数据结构中。默认总是赋值

1、多对一的合并（一个表的连接键列有重复值，另一个表中的连接键没有重复值）

import pandas as pd

import numpy as np

df1 = pd.DataFrame({'key':['b','b','a','c','a','a','b'],'data1': range(7)})

df1

1

2

3

4

5

6

data1key

0

0

b

1

1

b

2

2

a

3

3

c

4

4

a

5

5

a

6

6

b

df2 = pd.DataFrame({'key':['a','b','d'],'data2':range(3)})

df2

1

2

3

data2key

0

0

a

1

1

b

2

2

d

pd.merge(df1,df2)#默认情况

1

data1keydata2

0

0

b

1

1

1

b

1

2

6

b

1

3

2

a

0

4

4

a

0

5

5

a

0

df1.merge(df2)

1

data1keydata2

0

0

b

1

1

1

b

1

2

6

b

1

3

2

a

0

4

4

a

0

5

5

a

0

df1.merge(df2,on = 'key',how = 'inner')#内连接，取交集

1

data1keydata2

0

0

b

1

1

1

b

1

2

6

b

1

3

2

a

0

4

4

a

0

5

5

a

0

df1.merge(df2,on = 'key',how = 'outer')#外链接，取并集，并用nan填充

1

data1keydata2

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

df1.merge(df2,on = 'key',how = 'left')#左连接，左侧DataFrame取全部，右侧DataFrame取部分

1

data1keydata2

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

df1.merge(df2,on = 'key',how = 'right')#右连接，右侧DataFrame取全部，左侧DataFrame取部分

1

data1keydata2

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

如果左右侧DataFrame的连接键列名不一致，但是取值有重叠，可使用left_on、right_on来指定左右连接键

df3 = pd.DataFrame({'lkey':['b','b','a','c','a','a','b'],'data1': range(7)})

df3

1

2

3

data1lkey

0

0

b

1

1

b

2

2

a

3

3

c

4

4

a

5

5

a

6

6

b

df4 = pd.DataFrame({'rkey':['a','b','d'],'data2':range(3)})

df4

1

2

3

data2rkey

0

0

a

1

1

b

2

2

d

df3.merge(df4,left_on = 'lkey',right_on = 'rkey',how = 'inner')

1

data1lkeydata2rkey

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

2、多对多的合并（一个表的连接键列有重复值，另一个表中的连接键有重复值）

df1 = pd.DataFrame({'key':['b','b','a','c','a','a','b'],'data1': range(7)})

df1

1

2

3

data1key

0

0

b

1

1

b

2

2

a

3

3

c

4

4

a

5

5

a

6

6

b

df5 = pd.DataFrame({'key':['a','b','a','b','b'],'data2': range(5)})

df5

1

2

data2key

0

0

a

1

1

b

2

2

a

3

3

b

4

4

b

df1.merge(df5)

1

data1keydata2

0

0

b

1

1

0

b

3

2

0

b

4

3

1

b

1

4

1

b

3

5

1

b

4

6

6

b

1

7

6

b

3

8

6

b

4

9

2

a

0

10

2

a

2

11

4

a

0

12

4

a

2

13

5

a

0

14

5

a

2

合并小结

1）默认情况下，会将两个表中相同列名作为连接键

2）多对多，会采用笛卡尔积形式链接（左表连接键有三个值‘1，3，5’，右表有两个值‘2，3’，则会形成，（1，2）（1，3）（3，1），（3，2）。。。6种组合）

3）存在多个连接键的处理

left = pd.DataFrame({'key1':['foo','foo','bar'],'key2':['one','one','two'],'lval':[1,2,3]})

right = pd.DataFrame({'key1':['foo','foo','bar','bar'],'key2':['one','one','one','two'],'rval':[4,5,6,7]})

1

2

3

4

left

1

key1key2lval

0

foo

one

1

1

foo

one

2

2

bar

two

3

right

1

key1key2rval

0

foo

one

4

1

foo

one

5

2

bar

one

6

3

bar

two

7

pd.merge(left,right,on = ['key1','key2'],how = 'outer')

1

key1key2lvalrval

0

foo

one

1.0

4

1

foo

one

1.0

5

2

foo

one

2.0

4

3

foo

one

2.0

5

4

bar

two

3.0

7

5

bar

one

NaN

6

1）连接键是多对多关系，应执行笛卡尔积形式

2）多列应看连接键值对是否一致

4）对连接表中非连接列的重复列名的处理

pd.merge(left,right,on = 'key1')

1

key1key2_xlvalkey2_yrval

0

foo

one

1

one

4

1

foo

one

1

one

5

2

foo

one

2

one

4

3

foo

one

2

one

5

4

bar

two

3

one

6

5

bar

two

3

two

7

pd.merge(left,right,on = 'key1',suffixes = ('_left','_right'))

1

key1key2_leftlvalkey2_rightrval

0

foo

one

1

one

4

1

foo

one

1

one

5

2

foo

one

2

one

4

3

foo

one

2

one

5

4

bar

two

3

one

6

5

bar

two

3

two

7

2）索引上的合并

当连接键位于索引中时，成为索引上的合并，可以通过merge函数，传入left_index、right_index来说明应该被索引的情况。

一表中连接键是索引列、另一表连接键是非索引列

left1 = pd.DataFrame({'key':['a','b','a','a','b','c'],'value': range(6)})

left1

1

2

keyvalue

0

a

0

1

b

1

2

a

2

3

a

3

4

b

4

5

c

5

right1 = pd.DataFrame({'group_val':[3.5,7]},index = ['a','b'])

right1

1

2

group_val

a

3.5

b

7.0

pd.merge(left1,right1,left_on = 'key',right_index = True)

1

keyvaluegroup_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

有上可知，left_on、right_on是指定表中非索引列为连接键，left_index、right_index是指定表中索引列为连接键，两者可以组合，是为了区分是否是索引列

两个表中的索引列都是连接键

left2 = pd.DataFrame(np.arange(6).reshape(3,2),index = ['a','b','e'],columns = ['0hio','nevada'])

right2 = pd.DataFrame(np.arange(7,15).reshape(4,2),index = ['b','c','d','e'],columns = ['misso','ala'])

left2

1

2

3

4

5

0hionevada

a

0

1

b

2

3

e

4

5

right2

1

missoala

b

7

8

c

9

10

d

11

12

e

13

14

pd.merge(left2,right2,left_index = True,right_index = True,how = 'outer')

1

0hionevadamissoala

a

0.0

1.0

NaN

NaN

b

2.0

3.0

7.0

8.0

c

NaN

NaN

9.0

10.0

d

NaN

NaN

11.0

12.0

e

4.0

5.0

13.0

14.0

3）轴向连接

在这里展示一种新的连接方法，对应于numpy的concatenate函数，pandas有concat函数

#numpy

arr =np.arange(12).reshape(3,4)

1

2

arr

1

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

1

2

3

4

np.concatenate([arr,arr],axis = 1)#横轴连接块

1

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]])

1

2

3

4

concat函数参数表格

参数说明

objs

参与连接的列表或字典，且列表或字典里的对象是pandas数据类型，唯一必须给定的参数

axis=0

指明连接的轴向，0是纵轴，1是横轴，默认是0

join

‘inner’（交集），‘outer’（并集），默认是‘outer’指明轴向索引的索引是交集还是并集

join_axis

指明用于其他n-1条轴的索引（层次化索引，某个轴向有多个索引），不执行交并集

keys

与连接对象有关的值，用于形成连接轴向上的层次化索引（外层索引），可以是任意值的列表或数组、元组数据、数组列表（如果将levels设置成多级数组的话）

levels

指定用作层次化索引各级别（内层索引）上的索引，如果设置keys的话

names

用于创建分层级别的名称，如果设置keys或levels的话

verify_integrity

检查结果对象新轴上的重复情况，如果发横则引发异常，默认False，允许重复

ignore_index

不保留连接轴上的索引，产生一组新索引range（total_length）

s1 = pd.Series([0,1,2],index = ['a','b','c'])

s2 = pd.Series([2,3,4],index = ['c','f','e'])

s3 = pd.Series([4,5,6],index = ['c','f','g'])

1

2

3

4

5

pd.concat([s1,s2,s3])#默认并集、纵向连接

1

a 0 b 1 c 2 c 2 f 3 e 4 c 4 f 5 g 6 dtype: int64

pd.concat([s1,s2,s3],ignore_index = True)#生成纵轴上的并集，索引会自动生成新的一列

1

0 0 1 1 2 2 3 2 4 3 5 4 6 4 7 5 8 6 dtype: int64

pd.concat([s1,s2,s3],axis = 1,join = 'inner')#纵向取交集,注意该方法对对象表中有重复索引时失效

1

012

c

2

2

4

pd.concat([s1,s2,s3],axis = 1,join = 'outer')#横向索引取并集，纵向索引取交集,注意该方法对对象表中有重复索引时失效

1

012

a

0.0

NaN

NaN

b

1.0

NaN

NaN

c

2.0

2.0

4.0

e

NaN

4.0

NaN

f

NaN

3.0

5.0

g

NaN

NaN

6.0

concat函数小结

1）纵向连接，ignore_index = False ,可能生成重复的索引

2）横向连接时，对象索引不能重复

4）合并重叠数据

适用范围：

1）当两个对象的索引有部分或全部重叠时

2）用参数对象中的数据为调用者对象的缺失数据‘打补丁’

a = pd.Series([np.nan,2.5,np.nan,3.5,4.5,np.nan],index = ['a','b','c','d','e','f'])

b = pd.Series(np.arange(len(a)),index = ['a','b','c','d','e','f'])

1

2

3

a

1

a NaN

b 2.5

c NaN

d 3.5

e 4.5

f NaN

dtype: float64

1

2

3

4

5

6

7

8

b

1

a 0

b 1

c 2

d 3

e 4

f 5

dtype: int32

1

2

3

4

5

6

7

8

a.combine_first(b)#利用b填补了a的空值

1

a 0.0

b 2.5

c 2.0

d 3.5

e 4.5

f 5.0

dtype: float64

1

2

3

4

5

6

7

8

a = pd.Series([np.nan,2.5,np.nan,3.5,4.5,np.nan],index = ['g','b','c','d','e','f'])

1

a.combine_first(b)#部分索引重叠

1

a 0.0

b 2.5

c 2.0

d 3.5

e 4.5

f 5.0

g NaN

dtype: float64

1

2

3

4

5

6

7

8

9

小结

本篇博客主要讲述了一下内容：

1） merge函数合并数据集

2）concat函数合并数据集

3）combine_first函数，含有重叠索引的缺失值填补