pandas的连接函数concat()函数

 

pd.concat(objs, axis= 0, join='outer', join_axes=None, ignore_index=False,
keys= None, levels=None, names=None, verify_integrity=False,
copy= True)

参数含义

• objs：Series，DataFrame或Panel对象的序列或映射。如果传递了dict，则排序的键将用作键参数，除非它被传递，在这种情况下，将选择值（见下文）。任何无对象将被静默删除，除非它们都是无，在这种情况下将引发一个ValueError。
• axis：{0,1，...}，默认为0。沿着连接的轴。
• join：{'inner'，'outer'}，默认为“outer”。如何处理其他轴上的索引。outer为联合和inner为交集。
• ignore_index：boolean，default False。如果为True，请不要使用并置轴上的索引值。结果轴将被标记为0，...，n-1。如果要连接其中并置轴没有有意义的索引信息的对象，这将非常有用。注意，其他轴上的索引值在连接中仍然受到尊重。
• join_axes：Index对象列表。用于其他n-1轴的特定索引，而不是执行内部/外部设置逻辑。
• keys：序列，默认值无。使用传递的键作为最外层构建层次索引。如果为多索引，应该使用元组。
• levels：序列列表，默认值无。用于构建MultiIndex的特定级别（唯一值）。否则，它们将从键推断。
• names：list，default无。结果层次索引中的级别的名称。
• verify_integrity：boolean，default False。检查新连接的轴是否包含重复项。这相对于实际的数据串联可能是非常昂贵的。
• copy：boolean，default True。如果为False，请勿不必要地复制数据。

---

 

import numpy as np
import pandas as pd
from pandas import Series,DataFrame

一、Numpy数组的连接–concatenate

a = np.arange(6).reshape(2,3)
a

array([[0, 1, 2],
       [3, 4, 5]])

1.垂直连接

np.concatenate([a,a])

array([[0, 1, 2],
       [3, 4, 5],
       [0, 1, 2],
       [3, 4, 5]])

2.水平连接

np.concatenate([a,a],axis=1)

array([[0, 1, 2, 0, 1, 2],
       [3, 4, 5, 3, 4, 5]])

二、pandas.concat函数

s1 = Series([0,1],index = ['a','b'])
s2 = Series([2,3,4],index = ['c','d','e']) s3 = Series([5,6],index = ['f','g'])

1.垂直连接

pd.concat([s1,s2,s3])

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

2.水平连接

print(pd.concat([s1,s2,s3],axis=1))

     0    1    2
a  0.0  NaN  NaN
b  1.0  NaN  NaN
c  NaN  2.0  NaN
d  NaN  3.0  NaN
e  NaN  4.0  NaN
f  NaN  NaN  5.0
g  NaN  NaN  6.0

3.对连接的对象添加索引(实现层次索引)

print(pd.concat([s1,s2,s3],keys=['one','two','thress']))

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

4.水平连接时，为结果的DataFrame添加列索引

print(pd.concat([s1,s2,s3],axis=1,keys=['one','two','three']))

   one  two  three
a  0.0  NaN    NaN
b  1.0  NaN    NaN
c  NaN  2.0    NaN
d  NaN  3.0    NaN
e  NaN  4.0    NaN
f  NaN  NaN    5.0
g  NaN  NaN    6.0

5.对DataFrame同样适用