当前位置：极客笔记 > Pandas > Pandas 问答 > Pandas concat 示例

Pandas concat 示例

Pandas concat 示例

参考：pandas concat example

在数据分析和数据科学领域，pandas 是 Python 中一个非常重要的库，它提供了大量的功能来处理和分析数据。其中，concat() 函数是一个非常有用的工具，它允许用户沿着一定的轴将多个 pandas 对象合并在一起。本文将详细介绍 concat() 函数的使用方法，并通过多个示例展示如何在实际中应用这一函数。

1. pandas concat() 函数简介

concat() 函数主要用于将两个或多个 pandas 数据结构（如 Series 和 DataFrame）沿着特定的轴进行连接。该函数的语法如下：

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

其中，最重要的参数包括：
– objs：一个序列或映射，这里是要连接的 pandas 数据结构。
– axis：默认为 0，表示沿着索引（行）方向进行连接。如果设为 1，则沿着列方向连接。
– join：可以是 ‘inner’ 或 ‘outer’，表示连接的方式，’outer’ 为并集，’inner’ 为交集。
– ignore_index：如果为 True，则不使用连接轴上的索引值，而是创建一个新的范围索引。

2. 示例代码

示例 1：基本的 DataFrame 连接

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3'],
    'C': ['C0', 'C1', 'C2', 'C3'],
    'D': ['D0', 'D1', 'D2', 'D3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'A': ['A4', 'A5', 'A6', 'A7'],
    'B': ['B4', 'B5', 'B6', 'B7'],
    'C': ['C4', 'C5', 'C6', 'C7'],
    'D': ['D4', 'D5', 'D6', 'D7']
}, index=[4, 5, 6, 7])

# 使用 concat 连接 DataFrame
result = pd.concat([df1, df2])
print(result)

Output:

Pandas concat 示例

示例 2：沿列方向连接 DataFrame

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'C': ['C0', 'C1', 'C2', 'C3'],
    'D': ['D0', 'D1', 'D2', 'D3']
}, index=[0, 1, 2, 3])

# 使用 concat 连接 DataFrame，沿列方向
result = pd.concat([df1, df2], axis=1)
print(result)

Output:

Pandas concat 示例

示例 3：使用内连接

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'A': ['A2', 'A3', 'A6', 'A7'],
    'B': ['B2', 'B3', 'B6', 'B7'],
    'C': ['C2', 'C3', 'C6', 'C7']
}, index=[2, 3, 6, 7])

# 使用内连接
result = pd.concat([df1, df2], join='inner')
print(result)

Output:

Pandas concat 示例

示例 4：忽略原有索引，创建新索引

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'A': ['A4', 'A5', 'A6', 'A7'],
    'B': ['B4', 'B5', 'B6', 'B7']
}, index=[4, 5, 6, 7])

# 忽略原有索引
result = pd.concat([df1, df2], ignore_index=True)
print(result)

Output:

Pandas concat 示例

示例 5：使用多层索引

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'A': ['A4', 'A5', 'A6', 'A7'],
    'B': ['B4', 'B5', 'B6', 'B7']
}, index=[4, 5, 6, 7])

# 使用 keys 创建多层索引
result = pd.concat([df1, df2], keys=['df1', 'df2'])
print(result)

Output:

Pandas concat 示例

示例 6：连接时排序列

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'B': ['B4', 'B5', 'B6', 'B7'],
    'C': ['C4', 'C5', 'C6', 'C7']
}, index=[4, 5, 6, 7])

# 连接时排序列
result = pd.concat([df1, df2], sort=True)
print(result)

Output:

Pandas concat 示例

示例 7：验证连接的完整性

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'A': ['A4', 'A5', 'A6', 'A7'],
    'B': ['B4', 'B5', 'B6', 'B7']
}, index=[4, 5, 6, 7])

# 验证连接的完整性
result = pd.concat([df1, df2], verify_integrity=True)
print(result)

Output:

Pandas concat 示例

示例 8：连接多个 DataFrame

import pandas as pd

# 创建三个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'A': ['A4', 'A5', 'A6', 'A7'],
    'B': ['B4', 'B5', 'B6', 'B7']
}, index=[4, 5, 6, 7])

df3 = pd.DataFrame({
    'A': ['A8', 'A9', 'A10', 'A11'],
    'B': ['B8', 'B9', 'B10', 'B11']
}, index=[8, 9, 10, 11])

# 连接多个 DataFrame
result = pd.concat([df1, df2, df3])
print(result)

Output:

Pandas concat 示例

示例 9：使用不同的连接方式

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'A': ['A2', 'A3', 'A6', 'A7'],
    'B': ['B2', 'B3', 'B6', 'B7'],
    'C': ['C2', 'C3', 'C6', 'C7']
}, index=[2, 3, 6, 7])

# 使用外连接
result_outer = pd.concat([df1, df2], join='outer')

# 使用内连接
result_inner = pd.concat([df1, df2], join='inner')
print(result_inner)

Output:

Pandas concat 示例

示例 10：连接时使用自定义索引名称

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'A': ['A4', 'A5', 'A6', 'A7'],
    'B': ['B4', 'B5', 'B6', 'B7']
}, index=[4, 5, 6, 7])

# 使用自定义索引名称
result = pd.concat([df1, df2], keys=['Group1', 'Group2'])
print(result)

Output:

Pandas concat 示例

示例 11：连接时保留原有列

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'C': ['C0', 'C1', 'C2', 'C3'],
    'D': ['D0', 'D1', 'D2', 'D3']
}, index=[0, 1, 2, 3])

# 连接时保留原有列
result = pd.concat([df1, df2], axis=1)
print(result)

Output:

Pandas concat 示例

示例 12：处理重复列名

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'A': ['A4', 'A5', 'A6', 'A7'],
    'B': ['B4', 'B5', 'B6', 'B7']
}, index=[4, 5, 6, 7])

# 处理重复列名
result = pd.concat([df1, df2]).rename(columns={'A': 'A_new', 'B': 'B_new'})
print(result)

Output:

Pandas concat 示例

示例 13：连接时使用不同的数据类型

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': [0, 1, 2, 3],
    'B': [0.1, 0.2, 0.3, 0.4]
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'A': ['A4', 'A5', 'A6', 'A7'],
    'B': ['B4', 'B5', 'B6', 'B7']
}, index=[4, 5, 6, 7])

# 连接时使用不同的数据类型
result = pd.concat([df1, df2])
print(result)

Output:

Pandas concat 示例

示例 14：连接时包含重复索引

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'A': ['A2', 'A3', 'A6', 'A7'],
    'B': ['B2', 'B3', 'B6', 'B7']
}, index=[2, 3, 6, 7])

# 连接时包含重复索引
result = pd.concat([df1, df2], verify_integrity=False)
print(result)

Output:

Pandas concat 示例

示例 15：连接多个具有不同列的 DataFrame

import pandas as pd

# 创建三个 DataFrame
df1 = pd.DataFrame({
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
}, index=[0, 1, 2, 3])

df2 = pd.DataFrame({
    'C': ['C0', 'C1', 'C2', 'C3'],
    'D': ['D0', 'D1', 'D2', 'D3']
}, index=[0, 1, 2, 3])

df3 = pd.DataFrame({
    'E': ['E0', 'E1', 'E2', 'E3'],
    'F': ['F0', 'F1', 'F2', 'F3']
}, index=[0, 1, 2, 3])

# 连接多个具有不同列的 DataFrame
result = pd.concat([df1, df2, df3], axis=1)
print(result)

Output:

Pandas concat 示例

以上示例展示了如何使用 pandas 的 concat() 函数来处理不同的数据连接需求。通过这些示例，可以看到 concat() 函数在数据处理中的灵活性和强大功能。

Camera课程

Camera API2 教程

API2 教程
Camera 性能教程

Perf 教程
Camera Native Framework 教程

Native FW 教程
Camera QCOM ISP 教程

ISP 教程
Camera QCOM Sensor 教程

Sensor 教程

Python教程

Python 教程

Python 教程
NumPy 教程

NumPy 教程
Django 教程

Django 教程

Java教程

Java 教程

Java 教程

Web教程

JavaScript 教程

JavaScript 教程
jQuery 教程

jQuery 教程
CSS 教程

CSS 教程
PHP 教程

PHP 教程
Laravel 教程

Laravel 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程

数据库教程

SQL 教程

SQL 教程
SQLite 教程

SQLite 教程
MySQL 教程

MySQL 教程
PL/SQL 教程

PL/SQL 教程
MongoDB 教程

MongoDB 教程

图形图像教程

OpenCV 教程

OpenCV 教程

办公软件教程

Excel 教程

Excel 教程

Linux教程

Linux命令全集

Linux命令全集
Linux内核API

Linux内核API
LVGL 教程

LVGL 教程

计算机教程

操作系统 教程

操作系统 教程
计算机网络 教程

计算机网络 教程
C语言 教程

C语言 教程
C++ 教程

C++ 教程
Swift 教程

Swift 教程

大数据教程

Hadoop 教程

Hadoop 教程
Spark 教程

Spark 教程
Scala 教程

Scala 教程

开发工具教程

Git 教程

Git 教程
Jenkins 教程

Jenkins 教程
ChatGPT 教程

ChatGPT 教程
IntelliJ 教程

IntelliJ 教程