Python Pandas - Concatenation

Pandas提供了各种功能，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.这是要连接的轴。
join - {'inner'，'outer'}，默认'outer'。如何处理其他轴上的索引。结合的外部和交叉的内部。
ignore_index - 布尔值，默认ignore_index False。如果为True，请不要在连接轴上使用索引值。生成的轴将标记为0，...，n - 1。
join_axes - 这是索引对象的列表。用于其他（n-1）轴的特定索引，而不是执行内部/外部设置逻辑。

连接对象

concat函数完成了沿轴执行连接操作的所有繁重工作。让我们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])
print pd.concat([one,two])

其output如下 -

    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

假设我们想要将特定键与切碎的DataFrame的每个片段相关联。我们可以使用keys参数来做到这一点 -

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

其output如下 -

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; 每个指数都重复。

如果结果对象必须遵循自己的索引，则将ignore_index设置为True 。

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

其output如下 -

    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，则将追加新列。

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

其output如下 -

    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

连接使用追加

concat的一个有用的快捷方式是Series和DataFrame上的追加实例方法。这些方法实际上早于concat。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])
print one.append(two)

其output如下 -

    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函数也可以使用多个对象 -

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])
print one.append([two,one,two])

其output如下 -

    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Time系列数据提供了一个强大的工作时间工具，特别是在金融领域。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提供了一套相对紧凑且独立的工具，用于执行上述任务。

获取当前时间

datetime.now()为您提供当前日期和时间。

import pandas as pd
print pd.datetime.now()

其output如下 -

2017-05-11 06:10:13.393147

创建一个TimeStamp

带时间戳的数据是最基本的时间序列数据类型，它将值与时间点相关联。对于pandas对象，它意味着使用时间点。我们来举个例子 -

import pandas as pd
print pd.Timestamp('2017-03-01')

其output如下 -

2017-03-01 00:00:00

也可以转换整数或浮点纪元时间。这些的默认单位是纳秒（因为这些是存储时间戳的方式）。然而，通常时期存储在可以指定的另一个单元中。让我们再看一个例子

import pandas as pd
print pd.Timestamp(1587687255,unit='s')

其output如下 -

2020-04-24 00:14:15

创建一个时间范围

import pandas as pd
print pd.date_range("11:00", "13:30", freq="30min").time

其output如下 -

[datetime.time(11, 0) datetime.time(11, 30) datetime.time(12, 0)
datetime.time(12, 30) datetime.time(13, 0) datetime.time(13, 30)]

更改时间频率

import pandas as pd
print pd.date_range("11:00", "13:30", freq="H").time

其output如下 -

[datetime.time(11, 0) datetime.time(12, 0) datetime.time(13, 0)]

转换为时间戳

要转换类似日期的对象的系列或类似列表的对象，例如字符串，纪元或混合，您可以使用to_datetime函数。传递时，返回一个Series（具有相同的索引），而类似list-like则转换为DatetimeIndex 。看看下面的例子 -

import pandas as pd
print pd.to_datetime(pd.Series(['Jul 31, 2009','2010-01-10', None]))

其output如下 -

0  2009-07-31
1  2010-01-10
2         NaT
dtype: datetime64[ns]

NaT意味着Not a Time （相当于NaN）

让我们再看一个例子。

import pandas as pd
print pd.to_datetime(['2005/11/23', '2010.12.31', None])

其output如下 -

DatetimeIndex(['2005-11-23', '2010-12-31', 'NaT'], dtype='datetime64[ns]', freq=None)

<上一篇.Python Pandas - Merging/Joining

Python Pandas - Date Functionality.下一篇>

Python Pandas - 教程

Python Pandas - 介绍

Python Pandas - Environment Setup

数据结构简介(Introduction to Data Structures)

Python Pandas - Series

Python Pandas - DataFrame

Python Pandas - Panel

Python Pandas - Basic Functionality

描述性统计(Descriptive Statistics)

功能应用(Function Application)

Python Pandas - Reindexing

Python Pandas - Iteration

Python Pandas - Sorting

使用文本数据(Working with Text Data)

选项和定制(Options & Customization)

索引和选择数据(Indexing & Selecting Data)

统计功能(Statistical Functions)

Python Pandas - Window Functions

Python Pandas - Aggregations

Python Pandas - Missing Data

Python Pandas - GroupBy

Python Pandas - Merging/Joining