python数据分析之：数据清理，转换，合并，重塑(一)，python数据分析,DataFrame合

python数据分析之：数据清理，转换，合并，重塑(一)，python数据分析,DataFrame合

DataFrame合并：
merge运算是将一个或多个键将行链接起来。来看下面的这个例子：
In [5]: df1=DataFrame({‘key‘:[‘b‘,‘b‘,‘a‘,‘c‘,‘a‘,‘a‘,‘b‘],‘data1‘:range(7)})

In [6]: df2=DataFrame({‘key‘:[‘a‘,‘b‘,‘d‘],‘data2‘:range(3)})

In [7]: df1
Out[7]:
data1 key
0 0 b
1 1 b
2 2 a
3 3 c
4 4 a
5 5 a
6 6 b

In [8]: df2
Out[8]:
data2 key
0 0 a
1 1 b
2 2 d
df1和df2的key值中都含有a,b,d，不同的是在df1中有重复的key值，而在df2中key值都是唯一的。通过merge函数可以将df1和df2中key值相同的行都链接起来。这种操作就和数据库中的inner join操作是差不多的。因为可以看到在合并后的数据中，key＝c和d的列不存在了，因为inner join是取的交集，其他方式还有left,right,outer的方式
In [9]: pd.merge(df1,df2)
Out[9]:
data1 key data2
0 0 b 1
1 1 b 1
2 6 b 1
3 2 a 0
4 4 a 0
5 5 a 0
取并集的方式
In [15]: pd.merge(df1,df2,how=‘outer‘)
Out[15]:
data1 key data2
0 0.0 b 1.0
1 1.0 b 1.0
2 6.0 b 1.0
3 2.0 a 0.0
4 4.0 a 0.0
5 5.0 a 0.0
6 3.0 c NaN
7 NaN d 2.0

但是上面这个merge函数并没有指定对哪个列进行连接，如果没有指定，merge将会将重叠列的列名当做键。df1和df2重叠的键就是key。但是这里最好指定下列的名称。pd.merge(df1,df2,on=‘key‘)。注意这里指定列名称的时候，这个列名称必须是在合并数据中都存在的。比如如果指定on=’data1’就会报错，因为在df2中找不到data1的列

但是如果两个对象的列名不一样，也可以分别进行指定
df3=DataFrame({‘lkey‘:[‘b‘,‘b‘,‘a‘,‘c‘,‘a‘,‘a‘,‘b‘],‘data1‘:r
...: ange(7)})

df4=DataFrame({‘rkey‘:[‘a‘,‘b‘,‘d‘],‘data2‘:range(3)})
通过left_on和right_on来分别指定列
In [19]: pd.merge(df3,df4,left_on=‘lkey‘,right_on=‘rkey‘)
Out[19]:
data1 lkey data2 rkey
0 0 b 1 b
1 1 b 1 b
2 6 b 1 b
3 2 a 0 a
4 4 a 0 a
5 5 a 0 a

前面讲到默认合并是inner,通过how来制定合并方式，how有outer,left,right三种方式
In [20]: pd.merge(df1,df2,on=‘key‘,how=‘left‘)
Out[20]:
data1 key data2
0 0 b 1.0
1 1 b 1.0
2 2 a 0.0
3 3 c NaN
4 4 a 0.0
5 5 a 0.0
6 6 b 1.0
right的方式
In [21]: pd.merge(df1,df2,on=‘key‘,how=‘right‘)
Out[21]:
data1 key data2
0 0.0 b 1
1 1.0 b 1
2 6.0 b 1
3 2.0 a 0
4 4.0 a 0
5 5.0 a 0
6 NaN d 2

merge参数

索引上的合并：

有时候，DataFrame中的连接键位于其索引中，在这种情况下，你可以传入left_index=True或right_index=True以说明索引应该被用作连接键

In[22]:left1=DataFrame({‘key‘:[‘a‘,‘b‘,‘a‘,‘a‘,‘b‘,‘c‘],‘value‘:rang

...:e(6)})

In[24]:right1=DataFrame({‘group_val‘:[3.5,7]},index=[‘a‘,‘b‘])

In[29]:pd.merge(left1,right1,left_on=‘key‘,right_index=True)

Out[29]:

keyvaluegroup_val

0a03.5

2a23.5

3a33.5

1b17.0

4b47.0

通过这种方法，就把right1中group_val的值也一起合并起来了。当然同样的也可以采取并集的方式

In[30]:pd.merge(left1,right1,left_on=‘key‘,right_index=True,how=‘out

...:er‘)

Out[30]:

keyvaluegroup_val

0a03.5

2a23.5

3a33.5

1b17.0

4b47.0

5c5NaN

再来看下复杂的合并，关于层次化的索引。

In[32]:left1=DataFrame({‘key1‘:[‘ohio‘,‘ohio‘,‘ohio‘,‘nevada‘,‘nevad

...:a‘],‘key2‘:[2000,2001,2002,2001,2002],‘data‘:np.arange(5.)})

In[34]:right1=DataFrame(np.arange(12).reshape((6,2)),index=[[‘nevada

...:‘,‘nevada‘,‘ohio‘,‘ohio‘,‘ohio‘,‘ohio‘],[2001,2000,2000,2000,

...:2001,2002]],columns=[‘event1‘,‘event2‘])

In[35]:left1

Out[35]:

datakey1key2

00.0ohio2000

11.0ohio2001

22.0ohio2002

33.0nevada2001

44.0nevada2002

In[36]:right1

Out[36]:

event1event2

nevada200101

200023

ohio200045

200067

200189

20021011

对于多层次索引的数据，必须以列表的形式指明用过合作键的多个列，这里指定key1和key2

去并集的方式

In[40]:pd.merge(left1,right1,left_on=[‘key1‘,‘key2‘],right_index=Tru

...:e)

Out[40]:

datakey1key2event1event2

00.0ohio200045

00.0ohio200067

11.0ohio200189

22.0ohio20021011

33.0nevada200101

In[44]:pd.merge(left1,right1,left_on=[‘key1‘,‘key2‘],right_index=Tru

...:e,how=‘outer‘)

Out[44]:

datakey1key2event1event2

00.0ohio20004.05.0

00.0ohio20006.07.0

11.0ohio20018.09.0

22.0ohio200210.011.0

33.0nevada20010.01.0

44.0nevada2002NaNNaN

4NaNnevada20002.03.0

也可以合并双方的索引。

In[45]:left2=DataFrame([[1,2],[3,4],[5,6]],index=[‘a‘,‘c‘,‘e‘],colum

...:ns=[‘ohio‘,‘nevada‘])

In[47]:right2=DataFrame([[7,8],[9,10],[11,12],[13,14]],index=[‘b‘,‘c

...:‘,‘d‘,‘e‘],columns=[‘missouri‘,‘alabama‘])

In[46]:left2

Out[46]:

ohionevada

a12

c34

e56

In[48]:right2

Out[48]:

missourialabama

b78

c910

d1112

e131

将两个数据的所有列的数据全部集合起来。

In[49]:pd.merge(left2,right2,how=‘outer‘,left_index=True,right_index

...:=True)

Out[49]:

ohionevadamissourialabama

a1.02.0NaNNaN

bNaNNaN7.08.0

c3.04.09.010.0

dNaNNaN11.012.0

e5.06.013.014.0

DataFrame还有一个join实例方法，它能更方便地实现按索引合并，它还可以用于合并多个带有相同或相似索引的DataFrame对象。而不管它们之间有没有重叠的列。对于上面的例子，我们可以join的方法来实现

In[50]:left2.join(right2,how=‘outer‘)

Out[50]:

ohionevadamissourialabama

a1.02.0NaNNaN

bNaNNaN7.08.0

c3.04.09.010.0

dNaNNaN11.012.0

e5.06.013.014.0

轴向连接

轴向连接也可以看做是连接concatenation的操作。

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[6]:np.concatenate([arr,arr],axis=1)

Out[6]:

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]])

接下来看下pandas中的concat函数。对于pandas对象，由于具备索引，因此连接运算的时候需要考虑索引的连接。

In[9]:s1=Series([0,1],index=[‘a‘,‘b‘])

In[10]:s1

Out[10]:

a0

b1

dtype:int64

In[11]:s2=Series([2,3,4],index=[‘c‘,‘d‘,‘e‘])

In[12]:s2

Out[12]:

c2

d3

e4

dtype:int64

In[13]:s3=Series([5,6],index=[‘f‘,‘g‘])

In[14]:s3

Out[14]:

f5

g6

dtype:int64

In[15]:pd.concat([s1,s2,s3])

Out[15]:

a0

b1

c2

d3

e4

f5

g6

dtype:int64

默认情况下，concat是在axis=0上工作的，也就是按照行的方式进行拼接，设置axis=1就可以按照列的方式进行拼接。

In[16]:pd.concat([s1,s2,s3],axis=1)

Out[16]:

012

a0.0NaNNaN

b1.0NaNNaN

cNaN2.0NaN

dNaN3.0NaN

eNaN4.0NaN

fNaNNaN5.0

gNaNNaN6.0

我们还可以通过传入join=’inner’的方式取得并集

In[17]:s4=pd.concat([s1*5,s3])

In[18]:s4

Out[18]:

a0

b5

f5

g6

dtype:int64

In[19]:s1

Out[19]:

a0

b1

dtype:int64

In[20]:pd.concat([s1,s4],axis=1)

Out[20]:

01

a0.00

b1.05

fNaN5

gNaN6

In[21]:pd.concat([s1,s4],axis=1,join=‘inner‘)

Out[21]:

01

a00

b15

前面在合并s1,s2,s3的时候得到的结果是

a0

b1

c2

d3

e4

f5

g6

如果想层次化分层的话，可以通过设置key值来设置层次化索引

In[22]:result=pd.concat([s1,s2,s3],keys=[‘one‘,‘two‘,‘thress‘])

In[23]:result

Out[23]:

onea0

b1

twoc2

d3

e4

thressf5

g6

dtype:int64

In[25]:result=pd.concat([s1,s2,s3],axis=1,keys=[‘one‘,‘two‘,‘thress‘])

In[26]:result

Out[26]:

onetwothress

a0.0NaNNaN

b1.0NaNNaN

cNaN2.0NaN

dNaN3.0NaN

eNaN4.0NaN

fNaNNaN5.0

gNaNNaN6.0

同样的使用方式对与DataFrame也是一样的。

concat函数的参数如下

重塑和轴向旋转

在线性代数中我们有转置的操作。在pandas中我们也可以进行类似的操作

stack:将数据的列旋转为行

unstack:将数据的行旋转为列

In[27]:data=DataFrame(np.arange(6).reshape((2,3)),index=pd.Index([‘Ohio‘,‘Colo

...:rado‘],name=‘state‘),columns=pd.Index([‘one‘,‘two‘,‘three‘],name=‘numbe

...:r‘))

In[28]:data

Out[28]:

numberonetwothree

state

Ohio012

Colorado345

In[29]:result=data.stack()

In[30]:result

Out[30]:

statenumber

Ohioone0

two1

three2

Coloradoone3

two4

three5

dtype:int64

In[31]:result.unstack()

Out[31]:

numberonetwothree

state

Ohio012

Colorado345

由于我们分别建立了行和列的索引，分别是state和number，因此我们可以指定索引来进行对应的转换

In[33]:result.unstack(‘state‘)

Out[33]:

stateOhioColorado

number

one03

two14

three25

In[34]:result.unstack(‘number‘)

Out[34]:

numberonetwothree

state

Ohio012

Colorado345

如果不是所有的数据都在索引中能找到的话，则unstack操作会引入缺失的数据

In[35]:s1=Series([0,1,2,3],index=[‘a‘,‘b‘,‘c‘,‘d‘])

In[38]:s2=Series([4,5,6],index=[‘c‘,‘d‘,‘e‘])

In[40]:data=pd.concat([s1,s2],keys=[‘one‘,‘two‘])

In[41]:data

Out[41]:

onea0

b1

c2

d3

twoc4

d5

e6

dtype:int64

In[43]:data.unstack()

Out[43]:

abcde

one0.01.02.03.0NaN

twoNaNNaN4.05.06.0

python数据分析之：数据清理，转换，合并，重塑(一)