第五章 DataFrame 的拼接

上节课我们讲述了缺失数据的处理。

本节课我们来讲述 DataFrame 的拼接。

在 pandas 中，我们可以使用 concat() 和 merge() 对 DataFrame 进行拼接。

# 1.concat()

concat() 函数的作用是沿着某个坐标轴对 DataFrame 进行拼接。在 concat() 函数中，有几个常用的参数。

axis：指出在哪个坐标轴的方向上进行拼接。可取的值为 0/index，1/columns，默认为 0。
join：指出拼接的方式，可取的值为 inner，outer，默认为 outer。
ignore_index：指出是否使用拼接轴上的索引，可取的值为 False、True，默认为 False。当为 False 时，表示使用拼接轴上的索引；当为 True 时，表示不使用拼接轴上的索引。下面我们就通过例子来看下使用 concat() 函数对 DataFrame 进行的拼接。

# 1.1 DataFrame 的列索引相同

import pandas as pd

d1 = {
    "Open": pd.Series([136, 137, 140, 143], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "High": pd.Series([137, 140, 143, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "Low": pd.Series([135, 137, 140, 142], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "Close": pd.Series([137, 139, 142, 144], index = ['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07'])
}

d2 = {
    "Open": pd.Series([141, 142, 146], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "High": pd.Series([144, 145, 146], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Low": pd.Series([140, 142, 144], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Close": pd.Series([143, 145, 144], index = ['2021-07-08', '2021-07-09', '2021-07-12'])
}

df1 = pd.DataFrame(d1)
df2 = pd.DataFrame(d2)

print(df1)
print(df2)

print(pd.concat([df1, df2]))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

在上面的例子中，df1 和 df2 有完全相同的列，所以拼接之后的 DataFrame 的列名也是相同的，拼接的方向为垂直方向。拼接之后使用的索引是原来 DataFrame 的索引。如果不想使用原来的索引可以设置参数 ignore_index。例如：

import pandas as pd

d1 = {
    "Open": pd.Series([136, 137, 140, 143], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "High": pd.Series([137, 140, 143, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "Low": pd.Series([135, 137, 140, 142], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "Close": pd.Series([137, 139, 142, 144], index = ['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07'])
}

d2 = {
    "Open": pd.Series([141, 142, 146], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "High": pd.Series([144, 145, 146], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Low": pd.Series([140, 142, 144], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Close": pd.Series([143, 145, 144], index = ['2021-07-08', '2021-07-09', '2021-07-12'])
}

df1 = pd.DataFrame(d1)
df2 = pd.DataFrame(d2)

print(df1)
print(df2)

print(pd.concat([df1, df2], ignore_index=True))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

上面代码中，当设置参数 ignore_index=True 时，拼接后的 DataFrame 中便不再使用原来的索引，而是自动生成的索引。

# 1.2 DataFrame 的列索引有重叠

import pandas as pd

d1 = {
    "Open": pd.Series([136, 137, 140, 143], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "High": pd.Series([137, 140, 143, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "Low": pd.Series([135, 137, 140, 142], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "Close": pd.Series([137, 139, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07'])
}

d2 = {
    "Open": pd.Series([141, 142, 146], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Low": pd.Series([140, 142, 144], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Close": pd.Series([143, 145, 144], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Volume": pd.Series([105575500, 99788400, 76299700], index=['2021-07-08', '2021-07-09', '2021-07-12'])
}

df1 = pd.DataFrame(d1)
df2 = pd.DataFrame(d2)

print(df1)
print(df2)

print(pd.concat([df1, df2]))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

在上面的代码中，df2 比 df1 多了一列 Volume，少了一列 High。在最终拼接的 DataFrame 中，列为 df1 和 df2 列的并集，不存在的数据用 NaN 填充。因为拼接的方式默认为 outer，所以最终结果的列为 df1 和 df2 列的并集。我们还可以将拼接方式改为 inner，这时候最终结果的列为 df1 和 df2 列的交集。例如：

import pandas as pd

d1 = {
    "Open": pd.Series([136, 137, 140, 143], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "High": pd.Series([137, 140, 143, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "Low": pd.Series([135, 137, 140, 142], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "Close": pd.Series([137, 139, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07'])
}

d2 = {
    "Open": pd.Series([141, 142, 146], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Low": pd.Series([140, 142, 144], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Close": pd.Series([143, 145, 144], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Volume": pd.Series([105575500, 99788400, 76299700], index=['2021-07-08', '2021-07-09', '2021-07-12'])
}

df1 = pd.DataFrame(d1)
df2 = pd.DataFrame(d2)

print(df1)
print(df2)

print(pd.concat([df1, df2], join='inner'))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

在上面的代码中，由于将拼接方式设置成 inner，所以最终结果的列为 df1 和 df2 列的交集。上面的拼接方向都是垂直方向，当然我们还可以通过参数的设置进行水平方向的拼接。例如：

import pandas as pd

d1 = {
    "Open": pd.Series([136, 137, 140, 143], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "High": pd.Series([137, 140, 143, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "Low": pd.Series([135, 137, 140, 142], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "Close": pd.Series([137, 139, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07'])
}

d2 = {
    "Open": pd.Series([141, 142, 146], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Low": pd.Series([140, 142, 144], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Close": pd.Series([143, 145, 144], index=['2021-07-08', '2021-07-09', '2021-07-12']),
    "Volume": pd.Series([105575500, 99788400, 76299700], index=['2021-07-08', '2021-07-09', '2021-07-12'])
}

df1 = pd.DataFrame(d1)
df2 = pd.DataFrame(d2)

print(df1)
print(df2)

print(pd.concat([df1, df2], axis=1))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

上面的代码中，通过设置参数 axis=1 使得进行水平方向的拼接，当进行水平方向的拼接时，是按照行的索引进行拼接的，由于拼接的方式默认为 outer，所以对于进行拼接的 df1 和 df2，不存在的行对应的数据用 NaN 进行填充。我们也可以把拼接的方式设置成 inner，例如：

import pandas as pd

d1 = {
    "Open": pd.Series([136, 137, 140, 143], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "High": pd.Series([137, 140, 143, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "Low": pd.Series([135, 137, 140, 142], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07']),
    "Close": pd.Series([137, 139, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07'])
}

d2 = {
    "Open": pd.Series([141, 142, 146], index=['2021-07-01', '2021-07-02', '2021-07-12']),
    "Low": pd.Series([140, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-12']),
    "Close": pd.Series([143, 145, 144], index=['2021-07-01', '2021-07-02', '2021-07-12']),
    "Volume": pd.Series([105575500, 99788400, 76299700], index=['2021-07-01', '2021-07-02', '2021-07-12'])
}

df1 = pd.DataFrame(d1)
df2 = pd.DataFrame(d2)

print(df1)
print(df2)

print(pd.concat([df1, df2], axis=1, join='inner'))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

在上面的例子中，df1 和 df2 索引相同的行为 2021-07-01 和 2021-07-02，所以最终的拼接结果中只包含索引 2021-07-01 和 2021-07-02。

# 2.merge()

merge() 函数的作用和 SQL 里的 join 操作的作用非常类似，都是根据一些条件将行拼接起来。

# 2.1 数据库风格的拼接

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'name': ['Alice', 'Bob', 'Deniel'],
                    'score2': [96, 82, 97]})

print(df1)
print(df2)
print(pd.merge(df1, df2))

1
2
3
4
5
6
7
8
9
10
11
12

上面的例子是多对一的连接，df1 有多个被标记为 Alice 和 Bob 的行，在 df2 中，name 列的每个值仅对应一行。在进行拼接的过程中，df1 和 df2 中 name 列的值相同的行被连接在一起，不相同的行不在最终的连接结果中。因为默认情况下，merge 做的是内连接，结果中的键是交集。注意，在上面的例子中，我们并没有指明要用哪个列进行连接。如果没有指定，merge 会将重叠列的列名当做键。不过，最好明确指定，例如：

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'name': ['Alice', 'Bob', 'Deniel'],
                    'score2': [96, 82, 97]})

print(df1)
print(df2)
print(pd.merge(df1, df2, on='name'))

1
2
3
4
5
6
7
8
9
10
11
12

如果两个 DataFrame 对象的列名不同，也可以分别进行指定。例如：

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'lname': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'rname': ['Alice', 'Bob', 'Deniel'],
                    'score2': [96, 82, 97]})

print(df1)
print(df2)
print(pd.merge(df1, df2, left_on='lname', right_on='rname'))

1
2
3
4
5
6
7
8
9
10
11
12

上面的连接方式默认为 inner，此外其他的连接方式还有 left、right 以及 outer。它们的连接规则是：我们以刚才的例子为例，来看看各自的输出结果。

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'name': ['Alice', 'Bob', 'Deniel'],
                    'score2': [96, 82, 97]})

print(df1)
print(df2)
print(pd.merge(df1, df2, on='name', how='left'))

1
2
3
4
5
6
7
8
9
10
11
12

左连接以左边的 DataFrame 对象的键为主，右边 DataFrame 对象不存在的键对应的数据用 NaN 填充。

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'name': ['Alice', 'Bob', 'Deniel'],
                    'score2': [96, 82, 97]})

print(df1)
print(df2)
print(pd.merge(df1, df2, on='name', how='right'))

1
2
3
4
5
6
7
8
9
10
11
12

右连接以右边的 DataFrame 对象的键为主，左边 DataFrame 对象不存在的键对应的数据用 NaN 填充。

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'name': ['Alice', 'Bob', 'Deniel'],
                    'score2': [96, 82, 97]})

print(df1)
print(df2)
print(pd.merge(df1, df2, on='name', how='outer'))

1
2
3
4
5
6
7
8
9
10
11
12

外连接取两个 DataFrame 对象的键的并集，相对并集来说不存在的键对应的值以 NaN 填充。上面讲的是多对一的例子，下面来看下多对多的例子：

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'name': ['Alice', 'Bob', 'Alice', 'Bob', 'Deniel'],
                    'score2': [95, 80, 81, 98, 85]
})

print(df1)
print(df2)
print(pd.merge(df1, df2, on='name'))

1
2
3
4
5
6
7
8
9
10
11
12
13

多对多连接产生的是行的笛卡尔积。由于左边的 DataFrame 对象中有 3 个 Bob 行，右边的有 2 个 Bob 行，所以最终结果中就有 6 个 Bob 行。多对多连接同样可以设置连接的方式。例如： left:

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'name': ['Alice', 'Bob', 'Alice', 'Bob', 'Deniel'],
                    'score2': [95, 80, 81, 98, 85]})

print(df1)
print(df2)
print(pd.merge(df1, df2, on='name', how='left'))

1
2
3
4
5
6
7
8
9
10
11
12

right:

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'name': ['Alice', 'Bob', 'Alice', 'Bob', 'Deniel'],
                    'score2': [95, 80, 81, 98, 85]})

print(df1)
print(df2)
print(pd.merge(df1, df2, on='name', how='right'))

1
2
3
4
5
6
7
8
9
10
11
12

outer:

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'name': ['Alice', 'Bob', 'Alice', 'Bob', 'Deniel'],
                    'score2': [95, 80, 81, 98, 85]})

print(df1)
print(df2)
print(pd.merge(df1, df2, on='name', how='outer'))

1
2
3
4
5
6
7
8
9
10
11
12

如果要根据多个键进行合并，传入一个由列名组成的列表即可，例如：

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'gender': ['Male', 'Male', 'Female', 'Male', 'Female', 'Female', 'Male'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'name': ['Alice', 'Bob', 'Alice', 'Bob', 'Deniel'],
                    'gender': ['Female', 'Male', 'Female', 'Male', 'Male'],
                    'score2': [95, 80, 81, 98, 85]})

print(df1)
print(df2)
print(pd.merge(df1, df2, on=['name', 'gender']))

1
2
3
4
5
6
7
8
9
10
11
12
13
14

当合并后的 DataFrame 对象中有重复列名时，会默认为左边 DataFrame 对象中的列名加上 _x 后缀，为右边 DataFrame 对象中的列名加上 _y 后缀。附加的后缀我们也可以通过参数 suffixes 来设置。例如：

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'gender': ['Male', 'Male', 'Female', 'Male', 'Female', 'Female', 'Male'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'name': ['Alice', 'Bob', 'Alice', 'Bob', 'Deniel'],
                    'gender': ['Female', 'Male', 'Female', 'Male', 'Male'],
                    'score2': [95, 80, 81, 98, 85]})

print(df1)
print(df2)
print(pd.merge(df1, df2, on='name', suffixes=('_left', '_right')))

1
2
3
4
5
6
7
8
9
10
11
12
13
14

# 2.2基于索引的拼接

有时候，DataFrame 中的连接键位于其索引中。在这种情况下，可以传入 left_index=True 或 right_index=True （或两个都传）以说明索引应该被用作连接键，例如：

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'score2': [96, 82, 97]}, index=['Alice', 'Bob', 'Deniel'])

print(df1)
print(df2)
print(pd.merge(df1, df2, left_on='name', right_index=True))

1
2
3
4
5
6
7
8
9
10
11

上面的例子中，df1 中用于连接的键为 name，所以指定参数 left_on=name，df2 中用于连接的键位于索引中，所以指定参数 right_index=True。上面的连接默认采用 inner 的方式，当然我们也可以设置其他的连接方式。例如：

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'score2': [96, 82, 97]}, index=['Alice', 'Bob', 'Deniel'])

print(df1)
print(df2)
print(pd.merge(df1, df2, left_on='name', right_index=True, how='outer'))

1
2
3
4
5
6
7
8
9
10
11

对于层次化索引的数据，事情有点复杂，因为索引的合并默认是多键合并，例如：

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'gender': ['Male', 'Male', 'Female', 'Male', 'Female', 'Female', 'Male'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'score2': [96, 82, 97, 92]},
                    index=[['Alice', 'Alice', 'Bob', 'Bob'], 
                        ['Female', 'Female', 'Male', 'Male']])

print(df1)
print(df2)

print(pd.merge(df1, df2, left_on=['name', 'gender'], right_index=True))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

上面的连接默认采用 inner 的方式，当然我们也可以设置其他的连接方式。例如：

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'name': ['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                    'gender': ['Male', 'Male', 'Female', 'Male', 'Female', 'Female', 'Male'],
                    'score1': [97, 92, 88, 98, 86, 99, 94]})

df2 = pd.DataFrame({'score2': [96, 82, 97, 92]},
                    index=[['Alice', 'Alice', 'Bob', 'Bob'], 
                        ['Female', 'Female', 'Male', 'Male']])

print(df1)
print(df2)

print(pd.merge(df1, df2, left_on=['name', 'gender'], right_index=True, how='outer'))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

在进行连接时，双方都使用索引也是可以的。例如：

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'score1': [97, 92, 88, 98, 86, 99, 94]},
                    index = [['Bob', 'Bob', 'Alice', 'Charlie', 'Alice', 'Alice', 'Bob'],
                             ['Male', 'Male', 'Female', 'Male', 'Female', 'Female', 'Male']])

df2 = pd.DataFrame({'score2': [96, 82, 97, 92]},
                    index=[['Alice', 'Alice', 'Bob', 'Bob'], 
                        ['Female', 'Female', 'Male', 'Male']])

print(df1)
print(df2)

print(pd.merge(df1, df2, left_index=True, right_index=True))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

# 3.总结

本节课我们讲述了如何使用 concat()、merge() 对 DataFrame 进行拼接。

# 4.练习题

创建两个 DataFrame，使用 merge 对此两个 DataFrame 进行合并。