大家知道在pandas的数据框架中，数据格式对象主要有两种，一种是Series，另一种则是比较常见的DataFrame数据对象。pandas.concat()连接函数主要是用于处理这两种对象的数据连接！

【阅读全文】

函数说明

'''
cancat()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)
          
参数说明：
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。
'''

Series 数据处理

普通合并

# 导入pandas数据处理库
import pandas as pd

# 初始化series_1数据对象
series_1 = pd.Series(['a', 'b','c'])

# 初始化series_2数据对象
series_2 = pd.Series(['c', 'd'])

# 合并series_1、series_2
res = pd.concat([series_1, series_2])

# 打印合并结果
print(res)
# 0    a
# 1    b
# 2    c
# 0    c
# 1    d

忽略索引合并

# 合并series_1、series_2，忽略索引
res = pd.concat([series_1, series_2],ignore_index=True)

# 打印合并结果
print(res)
# 0    a
# 1    b
# 2    c
# 3    c
# 4    d

添加分层索引合并

# 合并series_1、series_2，忽略索引
res = pd.concat([series_1, series_2],keys=['series_1','series_2'])

# 打印合并结果
print(res)
# series_1  0    a
#           1    b
#           2    c
# series_2  0    c
#           1    d

添加数据列合并

# 合并series_1、series_2，添加数据列名
res = pd.concat([series_1, series_2],keys=['series_1','series_2'],names=['Series ID', 'index'])

# 打印合并结果
print(res)
# Series ID  index
# series_1   0        a
#            1        b
#            2        c
# series_2   0        c
#            1        d

DataFrame 数据处理

合并两个相同列的DataFrame对象

# 创建DataFrame对象dataframe_1
dataframe_1 = pd.DataFrame([['coding', 'python'], ['type', '1']], columns=['名称', '类型'])

# 创建DataFrame对象dataframe_2
dataframe_2 = pd.DataFrame([['coding', 'java'], ['type', '2']], columns=['名称', '类型'])

# 合并两个列相同的DataFrame对象dataframe_1、dataframe_2
res = pd.concat([dataframe_1, dataframe_2])

# 打印合并DataFrame对象
print(res)
#        名称      类型
# 0  coding  python
# 1    type       1
# 0  coding    java
# 1    type       2

合并重叠的DataFrame

# 创建DataFrame对象dataframe_3
dataframe_3 = pd.DataFrame([['coding', 'java','91'], ['type', '2','93']], columns=['名称', '类型','评分'])

# 合并两个不相同的DataFrame对象dataframe_1、dataframe_3
# 合并时不存在的列则使用Nan值进行合并
res = pd.concat([dataframe_1, dataframe_3],sort=False)

# 打印合并DataFrame对象
print(res)
#        名称      类型   评分
# 0  coding  python  NaN
# 1    type       1  NaN
# 0  coding    java   91
# 1    type       2   93

# join='inner',去除重叠交叉的列
res = pd.concat([dataframe_1, dataframe_3],join='inner')
print(res)
# 0  coding  python
# 1    type       1
# 0  coding    java
# 1    type       2

本文由WeiXin公众号【python *】一键发布，更多精彩文章、视频资料即可领取！