数据规整化——合并

数据集的合并或链接运算是经过一个或多个键将行连接起来的，而pandas的merge函数是对数据应用这些算法的主要切入点。

一对多：df1的数据有多个被标记为a和b的行，而df2中key列的每一个值则仅对应一行。

df1 = DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'a', 'b'],
                 'data1': range(7)})
df2 = DataFrame({'key': ['a', 'b', 'd'],
　　　　　　　　　　　'data2': range(3)})

注意：若没有指定哪一个列进行链接，则默认将重叠列的列名看成键。

pd.merge(df1, df2)
pd.merge(df1, df2, on='key')

 若两个对象的列名不一样，也能够分别进行指定：

df3 = DataFrame({'lkey': ['b', 'b', 'a', 'c', 'a', 'a', 'b'],
                 'data1': range(7)})
df4 = DataFrame({'rkey': ['a', 'b', 'd'],
                 'data2': range(3)})
pd.merge(df3, df4, left_on='lkey', right_on='rkey')
#默认merge作的事inner链接，结果是键的交集，其余方式有left、right、outer
pd.merge(df1, df2, how='outer')

多对多：

df1 = DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'b'],
                 'data1': range(6)})
df2 = DataFrame({'key': ['a', 'b', 'a', 'b', 'd'],
                 'data2': range(5)})
#多对多产生的是行的笛卡尔积 left
pd.merge(df1, df2, on='key', how='left')
#链接方式只影响出如今结果中的键 inner
pd.merge(df1, df2, how='inner')

若要根据多个键进行合并，需传入一个由列名组成的列表：

left = DataFrame({'key1': ['foo', 'foo', 'bar'],
                  'key2': ['one', 'two', 'one'],
                  'lval': [1, 2, 3]})
right = DataFrame({'key1': ['foo', 'foo', 'bar', 'bar'],
                   'key2': ['one', 'one', 'one', 'two'],
                   'rval': [4, 5, 6, 7]})
pd.merge(left, right, on=['key1', 'key2'], how='outer')

对于合并运算须要考虑的最后一个问题是对重复列名的处理。而merge的suffixes选项，正用于指定附加到左右两个dataframe对象的重复列名上的字符串：

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

索引的合并：有时候链接键位于其索引中，则能够传入left_index=True或right_index=True以说明索引应该被用做链接键。

left1 = DataFrame({'key': ['a', 'b', 'a', 'a', 'b', 'c'],
                  'value': range(6)})
right1 = DataFrame({'group_val': [3.5, 7]}, index=['a', 'b'])
pd.merge(left1, right1, left_on='key', right_index=True)
#外链接
pd.merge(left1, right1, left_on='key', right_index=True, how='outer')

层次化索引数据，必须以列表的形式指明用做合并键的多个列

lefth = DataFrame({'key1': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
                   'key2': [2000, 2001, 2002, 2001, 2002],
                   'data': np.arange(5.)})
righth = DataFrame(np.arange(12).reshape((6, 2)),
                   index=[['Nevada', 'Nevada', 'Ohio', 'Ohio', 'Ohio', 'Ohio'],
                          [2001, 2000, 2000, 2000, 2001, 2002]],
                   columns=['event1', 'event2'])

pd.merge(lefth, righth, left_on=['key1', 'key2'], right_index=True)
pd.merge(lefth, righth, left_on=['key1', 'key2'],
         right_index=True, how='outer')

 直接合并双方的索引也能够：

left2 = DataFrame([[1., 2.], [3., 4.], [5., 6.]], index=['a', 'c', 'e'],
                 columns=['Ohio', 'Nevada'])
right2 = DataFrame([[7., 8.], [9., 10.], [11., 12.], [13, 14]],
                   index=['b', 'c', 'd', 'e'], columns=['Missouri', 'Alabama'])

 

pd.merge(left2, right2, how='outer', left_index=True, right_index=True)
#join实例方法，更为方便地按索引合并
left2.join(right2, how='outer')

 轴向链接：pd.concatenation 简单数据链接

arr = np.arange(12).reshape((3, 4))
'''
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
'''
np.concatenate([arr, arr], axis=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]])
'''

pandas的concat函数提供了一种可以轴向链接的方式。

s1 = Series([0, 1], index=['a', 'b'])
s2 = Series([2, 3, 4], index=['c', 'd', 'e'])
s3 = Series([5, 6], index=['f', 'g'])
pd.concat([s1, s2, s3])
#默认concat的axis=0返回Series对象，而axis=1则返回dataframe对象
pd.concat([s1, s2, s3], axis=1)

concat函数的参数

参数	说明
objs	参与链接的pandas对象的列表或者字典，惟一的必须参数
axis	指明链接的轴向，默认0
join	选项包括inner(交集)、outer(并集)
join_axes	指明用于其余(n-1)条轴的索引，不执行并集或交集运算
keys	与链接对象有关的值，用于造成链接轴向上的层次化索引。能够是任意值的列表或数组
levels	指定用做层次化索引各级别上的索引（若设置了keys的话）
names	用于建立分层级别的名称（若设置了keys和levels的话）
verify_integrity	检查结果对象新轴上的重复状况，若发现则异常，默认容许重复（false）
ignore_index	不保留链接轴上的索引，产生一组新索引

合并重叠数据：Series中combine_first方法，dataframe也可使用

a = Series([np.nan, 2.5, np.nan, 3.5, 4.5, np.nan],
           index=['f', 'e', 'd', 'c', 'b', 'a'])
b = Series(np.arange(len(a), dtype=np.float64),
           index=['f', 'e', 'd', 'c', 'b', 'a'])
#np.where方法
np.where(pd.isnull(a), b, a)
'''
array([ 0. ,  2.5,  2. ,  3.5,  4.5,  nan])
'''
#combine_first方法
b[:-2].combine_first(a[2:])
'''
a    NaN
b    4.5
c    3.0
d    2.0
e    1.0
f    0.0
dtype: float64
'''