Pandas提供了各种工具(功能)，可以轻松地将Series，DataFrame和Panel对象组合在一起。

pd.concat(objs,axis=0,join='outer',join_axes=None,ignore_index=False)
  • objs - 这是Series，DataFrame或Panel对象的序列或映射。
  • axis - {0，1，...}，默认为0，这是连接的轴。
  • join - {'inner', 'outer'}，默认inner。如何处理其他轴上的索引。联合的外部和交叉的内部。
  • ignore_index − 布尔值，默认为False。如果指定为True，则不要使用连接轴上的索引值。结果轴将被标记为：0，...，n-1。
  • join_axes - 这是Index对象的列表。用于其他(n-1)轴的特定索引，而不是执行内部/外部集逻辑。

连接对象

concat()函数完成了沿轴执行级联操作的所有重要工作。下面代码中，创建不同的对象并进行连接。

import pandas as pd

one = pd.DataFrame({

         'Name': ['Alex', 'Amy', 'Allen', 'Alice', 'Ayoung'],

         'subject_id':['sub1','sub2','sub4','sub6','sub5'],

         'Marks_scored':[98,90,87,69,78]},

         index=[1,2,3,4,5])

two = pd.DataFrame({

         'Name': ['Billy', 'Brian', 'Bran', 'Bryce', 'Betty'],

         'subject_id':['sub2','sub4','sub3','sub6','sub5'],

         'Marks_scored':[89,80,79,97,88]},

         index=[1,2,3,4,5])

rs = pd.concat([one,two])

print(rs)

输出结果：

   Marks_scored    Name subject_id

1            98    Alex       sub1

2            90     Amy       sub2

3            87   Allen       sub4

4            69   Alice       sub6

5            78  Ayoung       sub5

1            89   Billy       sub2

2            80   Brian       sub4

3            79    Bran       sub3

4            97   Bryce       sub6

5            88   Betty       sub5
 

假设想把特定的键与每个碎片的DataFrame关联起来。可以通过使用键参数来实现这一点 -

import pandas as pd

one = pd.DataFrame({

         'Name': ['Alex', 'Amy', 'Allen', 'Alice', 'Ayoung'],

         'subject_id':['sub1','sub2','sub4','sub6','sub5'],

         'Marks_scored':[98,90,87,69,78]},

         index=[1,2,3,4,5])

two = pd.DataFrame({

         'Name': ['Billy', 'Brian', 'Bran', 'Bryce', 'Betty'],

         'subject_id':['sub2','sub4','sub3','sub6','sub5'],

         'Marks_scored':[89,80,79,97,88]},

         index=[1,2,3,4,5])

rs = pd.concat([one,two],keys=['x','y'])

print(rs)

输出结果：

     Marks_scored    Name subject_id

x 1            98    Alex       sub1

  2            90     Amy       sub2

  3            87   Allen       sub4

  4            69   Alice       sub6

  5            78  Ayoung       sub5

y 1            89   Billy       sub2

  2            80   Brian       sub4

  3            79    Bran       sub3

  4            97   Bryce       sub6

  5            88   Betty       sub5
 

结果的索引是重复的; 每个索引重复。如果想要生成的对象必须遵循自己的索引，请将ignore_index设置为True。参考以下示例代码 -

import pandas as pd

one = pd.DataFrame({

         'Name': ['Alex', 'Amy', 'Allen', 'Alice', 'Ayoung'],

         'subject_id':['sub1','sub2','sub4','sub6','sub5'],

         'Marks_scored':[98,90,87,69,78]},

         index=[1,2,3,4,5])

two = pd.DataFrame({

         'Name': ['Billy', 'Brian', 'Bran', 'Bryce', 'Betty'],

         'subject_id':['sub2','sub4','sub3','sub6','sub5'],

         'Marks_scored':[89,80,79,97,88]},

         index=[1,2,3,4,5])

rs = pd.concat([one,two],keys=['x','y'],ignore_index=True)

print(rs)
输出结果：
   Marks_scored    Name subject_id

0            98    Alex       sub1

1            90     Amy       sub2

2            87   Allen       sub4

3            69   Alice       sub6

4            78  Ayoung       sub5

5            89   Billy       sub2

6            80   Brian       sub4

7            79    Bran       sub3

8            97   Bryce       sub6

9            88   Betty       sub5
 

观察，索引完全改变，键也被覆盖。如果需要沿axis=1添加两个对象，则会添加新列。

import pandas as pd

one = pd.DataFrame({

         'Name': ['Alex', 'Amy', 'Allen', 'Alice', 'Ayoung'],

         'subject_id':['sub1','sub2','sub4','sub6','sub5'],

         'Marks_scored':[98,90,87,69,78]},

         index=[1,2,3,4,5])

two = pd.DataFrame({

         'Name': ['Billy', 'Brian', 'Bran', 'Bryce', 'Betty'],

         'subject_id':['sub2','sub4','sub3','sub6','sub5'],

         'Marks_scored':[89,80,79,97,88]},

         index=[1,2,3,4,5])

rs = pd.concat([one,two],axis=1)

print(rs)

输出结果：

   Marks_scored    Name subject_id  Marks_scored   Name subject_id

1            98    Alex       sub1            89  Billy       sub2

2            90     Amy       sub2            80  Brian       sub4

3            87   Allen       sub4            79   Bran       sub3

4            69   Alice       sub6            97  Bryce       sub6

5            78  Ayoung       sub5            88  Betty       sub5
 

使用附加连接

连接的一个有用的快捷方式是在Series和DataFrame实例的append方法。这些方法实际上早于concat()方法。 它们沿axis=0连接，即索引 -

import pandas as pd

one = pd.DataFrame({

         'Name': ['Alex', 'Amy', 'Allen', 'Alice', 'Ayoung'],

         'subject_id':['sub1','sub2','sub4','sub6','sub5'],

         'Marks_scored':[98,90,87,69,78]},

         index=[1,2,3,4,5])

two = pd.DataFrame({

         'Name': ['Billy', 'Brian', 'Bran', 'Bryce', 'Betty'],

         'subject_id':['sub2','sub4','sub3','sub6','sub5'],

         'Marks_scored':[89,80,79,97,88]},

         index=[1,2,3,4,5])

rs = one.append(two)

print(rs)

输出结果：

   Marks_scored    Name subject_id

1            98    Alex       sub1

2            90     Amy       sub2

3            87   Allen       sub4

4            69   Alice       sub6

5            78  Ayoung       sub5

1            89   Billy       sub2

2            80   Brian       sub4

3            79    Bran       sub3

4            97   Bryce       sub6

5            88   Betty       sub5
 

append()函数也可以带多个对象 -

import pandas as pd

one = pd.DataFrame({

         'Name': ['Alex', 'Amy', 'Allen', 'Alice', 'Ayoung'],

         'subject_id':['sub1','sub2','sub4','sub6','sub5'],

         'Marks_scored':[98,90,87,69,78]},

         index=[1,2,3,4,5])

two = pd.DataFrame({

         'Name': ['Billy', 'Brian', 'Bran', 'Bryce', 'Betty'],

         'subject_id':['sub2','sub4','sub3','sub6','sub5'],

         'Marks_scored':[89,80,79,97,88]},

         index=[1,2,3,4,5])

rs = one.append([two,one,two])

print(rs)

输出结果：

   Marks_scored    Name subject_id

1            98    Alex       sub1

2            90     Amy       sub2

3            87   Allen       sub4

4            69   Alice       sub6

5            78  Ayoung       sub5

1            89   Billy       sub2

2            80   Brian       sub4

3            79    Bran       sub3

4            97   Bryce       sub6

5            88   Betty       sub5

1            98    Alex       sub1

2            90     Amy       sub2

3            87   Allen       sub4

4            69   Alice       sub6

5            78  Ayoung       sub5

1            89   Billy       sub2

2            80   Brian       sub4

3            79    Bran       sub3

4            97   Bryce       sub6

5            88   Betty       sub5
 

时间序列

Pandas为时间序列数据的工作时间提供了一个强大的工具，尤其是在金融领域。在处理时间序列数据时，我们经常遇到以下情况 -

  • 生成时间序列
  • 将时间序列转换为不同的频率

Pandas提供了一个相对紧凑和自包含的工具来执行上述任务。

获取当前时间

datetime.now()用于获取当前的日期和时间。

import pandas as pd

print pd.datetime.now()

输出结果：

2017-11-03 02:17:45.997992
 

创建一个时间戳

时间戳数据是时间序列数据的最基本类型，它将数值与时间点相关联。 对于Pandas对象来说，意味着使用时间点。举个例子 -

import pandas as pd

time = pd.Timestamp('2018-11-01')

print(time)

输出结果：

2018-11-01 00:00:00
 

也可以转换整数或浮动时期。这些的默认单位是纳秒(因为这些是如何存储时间戳的)。 然而，时代往往存储在另一个可以指定的单元中。 再举一个例子 -

import pandas as pd

time = pd.Timestamp(1588686880,unit='s')

print(time)

输出结果：

2020-05-05 13:54:40
 

创建一个时间范围

import pandas as pd

time = pd.date_range("12:00", "23:59", freq="30min").time

print(time)
输出结果：
[datetime.time(12, 0) datetime.time(12, 30) datetime.time(13, 0)

 datetime.time(13, 30) datetime.time(14, 0) datetime.time(14, 30)

 datetime.time(15, 0) datetime.time(15, 30) datetime.time(16, 0)

 datetime.time(16, 30) datetime.time(17, 0) datetime.time(17, 30)

 datetime.time(18, 0) datetime.time(18, 30) datetime.time(19, 0)

 datetime.time(19, 30) datetime.time(20, 0) datetime.time(20, 30)

 datetime.time(21, 0) datetime.time(21, 30) datetime.time(22, 0)

 datetime.time(22, 30) datetime.time(23, 0) datetime.time(23, 30)]
 

改变时间的频率

import pandas as pd

time = pd.date_range("12:00", "23:59", freq="H").time

print(time)

输出结果：

[datetime.time(12, 0) datetime.time(13, 0) datetime.time(14, 0)

 datetime.time(15, 0) datetime.time(16, 0) datetime.time(17, 0)

 datetime.time(18, 0) datetime.time(19, 0) datetime.time(20, 0)

 datetime.time(21, 0) datetime.time(22, 0) datetime.time(23, 0)]
 

转换为时间戳

要转换类似日期的对象(例如字符串，时代或混合)的序列或类似列表的对象，可以使用to_datetime函数。当传递时将返回一个Series(具有相同的索引)，而类似列表被转换为DatetimeIndex。 看看下面的例子 -

import pandas as pd

time = pd.to_datetime(pd.Series(['Jul 31, 2009','2019-10-10', None]))

print(time)

输出结果：

0   2009-07-31

1   2019-10-10

2          NaT

dtype: datetime64[ns]
 

NaT表示不是一个时间的值(相当于NaN)

import pandas as pd

import pandas as pd

time = pd.to_datetime(['2009/11/23', '2019.12.31', None])

print(time)

输出结果：

DatetimeIndex(['2009-11-23', '2019-12-31', 'NaT'], dtype='datetime64[ns]', freq=None)

Pandas | 20 级联的更多相关文章

  1. pandas的级联操作

    级联操作 pd.concat, pd.append import pandas as pd from pandas import DataFrame import numpy as np pandas ...

  2. C++ this指针详解

       C++this指针操作 在这里总结一下this 指针的相关知识点. 首先,我们都知道类的成员函数可以访问类的数据(限定符只是限定于类外的一些操作,类内的一切对于成员函数来说都是透明的),那么成员 ...

  3. 海洋cms 模板标签手册

    海洋cms采用极其简单易用的模板技术,所有标签直接调用接口,无需复杂的编码技术,让你对界面设计得心应手,请认真阅读本文档,妥善收藏. ========= 目录 =========00.相关必要说明01 ...

  4. 数据分析之Numpy的基本操作

    Numpy NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库. 1 创建 ndarray 使 ...

  5. Pandas级联

    Pandas提供了各种工具(功能),可以轻松地将Series,DataFrame和Panel对象组合在一起. pd.concat(objs,axis=0,join='outer',join_axes= ...

  6. 数据分析03 /基于pandas的数据清洗、级联、合并

    数据分析03 /基于pandas的数据清洗.级联.合并 目录 数据分析03 /基于pandas的数据清洗.级联.合并 1. 处理丢失的数据 2. pandas处理空值操作 3. 数据清洗案例 4. 处 ...

  7. pandas 级联 concat append

    连接的一个有用的快捷方式是在Series和DataFrame实例的append方法.这些方法实际上早于concat()方法. 它们沿axis=0连接 #encoding:utf8 import pan ...

  8. 第十五节：pandas之concat（）级联

    Pandas 提供了concat()函数可以轻松的将Series.DataFrame对象进行合并在一起. pandas.concat(obj , axis=0 , join="inner&q ...

  9. 第三节 pandas续集

    import pandas as pd from pandas import Series from pandas import DataFrame import numpy as np 一 创建多层 ...

随机推荐

  1. spring boot开启gzip

    Web服务使用Spring Boot2X且运行在Tomcat或者Jetty中,支持gzip压缩可以 修改配置文件 application.properties server.compression.e ...

  2. 深入理解C语言 - 指针使用的常见错误

    在C语言中,指针的重要性不言而喻,但在很多时候指针又被认为是一把双刃剑.一方面,指针是构建数据结构和操作内存的精确而高效的工具.另一方面,它们又很容易误用,从而产生不可预知的软件bug.下面总结一下指 ...

  3. TINYMCE使用手册

    TINYMCE使用手册 这方面的教程会陆续加进来. tinymce.get('f1').getContent();

  4. Distributed and Parallel Computing

    Omega Network Model

  5. CyclicBarrier开启多个线程进行计算，最后统计计算结果

    有一个大小为50000的数组,要求开启5个线程分别计算10000个元素的和,然后累加得到总和 /** * 开启5个线程进行计算,最后所有的线程都计算完了再统计计算结果 */ public class ...

  6. 深入理解react-native

    欢迎转载,请支持原创,保留原文链接:http://blog.ilibrary.me http://blog.ilibrary.me/2016/12/25/react-native-internal ( ...

  7. javascript中的异步操作以及Promise和异步的关系

    https://segmentfault.com/a/1190000004322358 Promise是异步编程的一种解决方案,比传统的解决方案--回调函数和事件--更合理和强大 https://se ...

  8. 彻底抛弃 jQuery ，不然还留着过年？

    我以前很喜欢 jQuery,而且说实话,我是先学jQuery,再学 JavaScript 的.所以我写这篇文章有点像是在背叛 jQuery. 我知道,关于为什么不应该用 jQuery 的文章已经汗牛充 ...

  9. Gin-Go学习笔记四：Gin-Web框架 文件的上传下载

    文件的上传和下载 1->文件的上传 文件的上传,采用的是uploadify.js这个插件. 本事例实现的是上传图片文件,其他的文件上传也一样. 2->文件的下载 文件的下载有两个实现的方式 ...

  10. Spring Cloud入门

    Spring Cloud为开发者开发分布式应用提供了便捷工具(包括配置管理.服务发现.断路器.智能路由.微服务代理.控制总线.一次性令牌.全局锁.领导者选举.分布式会话.集群状态等).为开发分布式应用 ...