Pandas 的轴向连接 concat

 

在pandas里面，另一种数据何必运算也被称为连接（concatenation）、绑定（binding）或堆叠（stacking）。

Numpy的轴向连接， concatenation

Numpy有一个用于合并原始Numpy数组的concatenation函数：

In [4]: arr = np.arange(12).reshape((3, 4))
In [5]: arr
Out[5]:
array([[ 0,
1,
2,
3],
[ 4,
5,
6,
7],
[ 8,
9, 10, 11]])
In [7]: np.concatenate([arr, arr], axis=1)
Out[7]:
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 --Series--concat函数

需要考虑的问题：

　　1. 如果各对象其他轴上的索引不同， 那些轴应该是做并集还是交集？

　　2. 结果对象中的分组需要各不相同吗？

　　3. 用于连接的轴重要吗？

用concat将值和索引粘合在一起：

 

默认情况下， concat是在axis=0上工作。如果传入传入axis=1， 则结果就会变成一个DataFrame

求交集

 

 

指定索引名称：join_axes

如果参与连接的片段中区分不开。假设你想要在连接轴上创建一个层次化索引。使用keys参数即可达到这个目的：

如果使用unstack（）方法呢

concat axis=1方向

 如果沿着axis=1对Series进行合并， 则keys就会成为DataFrame的列头：

DataFrame的对象也是一样：

 

 最后考虑一个问题，行索引， 也就是index

In [2]: from pandas import Series, DataFrame
In [3]: import pandas as pd
In [4]: import numpy as np
In [5]: df1 = DataFrame(np.random.randn(3, 4), columns=[i for i in "abcd"])
In [6]: df2 = DataFrame(np.random.randn(2, 3), columns=[i for i in "bda"])
In [7]: df1
Out[7]:
a
b
c
d
0 -1.688676
0.839406 -0.196775
0.864225
1 -0.145041
1.273715
0.532980
0.648970
2
0.021084 -1.824193
0.177116 -1.137237
In [8]: df2
Out[8]:
b
d
a
0 -0.418477
0.486801
0.700591
1 -1.543646
0.506380
1.407013

 

concat函数的参数