Pandas进阶：拼接 concat 使用方法

1.处理索引和轴

假设我们有2个关于考试成绩的数据集。

python 复制代码

df1 = pd.DataFrame（{ 
    'name'：['A'，'B'，'C'，'D']，
    'math'：[60,89,82,70]，
    'physics'：[66， 95,83,66]，
    'chemistry'：[61,91,77,70] 
}）
df2 = pd.DataFrame（{ 
    'name'：['E'，'F'，'G'，'H']，
    'math'：[66,95,83,66]，
    'physics'：[60， 89,82,70]，
    'chemistry'：[90,81,78,90] 
}）

最简单的用法就是传递一个含有DataFrames的列表，例如[df1, df2]。默认情况下，它是沿axis=0垂直连接的，并且默认情况下会保留df1和df2原来的索引。

python 复制代码

pd.concat（[df1，df2]）

如果想要合并后忽略原来的索引，可以通过设置参数ignore_index=True，这样索引就可以从0到n-1自动排序了。

python 复制代码

pd.concat（[df1，df2]，ignore_index = True）

如果想要沿水平轴连接两个DataFrame，可以设置参数axis=1。

python 复制代码

pd.concat（[df1，df2]，axis = 1）

以上是一些基本操作，我们继续往下看。

2.避免重复索引

我们知道了concat()函数会默认保留原dataframe的索引。那有些情况，我想保留原来的索引，并且我还想验证合并后的结果是否有重复的索引，该怎么办呢？

可以通过设置参数verify_integrity=True，将此设置True为时，如果存在重复的索引，将会报错。比如下面这样。

python 复制代码

try:
    pd.concat([df1,df2], verify_integrity=True)
except ValueError as e:
    print('ValueError', e)
ValueError: Indexes have overlapping values: Int64Index([0, 1, 2, 3], dtype='int64')

3.使用keys和names选项添加层次结构索引

添加层次结构索引非常的有用，可以进行更多层的数据分析。

举个例子，某些情况下我们并不想合并两个dataframe的索引，而是想为两个数据集贴上标签。比如我们分别为df1和df2添加标签Year 1和Year 2。

这种情况，我们只需指定keys参数即可。

python 复制代码

res = pd.concat（[df1，df2]，keys = ['Year 1'，'Year 2']）
res

如果我们想要获取Year 1的数据集，可以直接使用loc像下面这样操作：

python 复制代码

res.loc['Year 1']

另外，参数names可用于为所得的层次索引添加名称。例如，将名称Class添加到刚创建的的标签上。

python 复制代码

pd.concat(
    [df1，df2]，
    keys = ['Year 1'，'Year 2']，
    names = ['Class'，None]，
)

如果要重置索引并将其转换为数据列，可以使用 reset_index()，这一步操作也是非常的实用。

python 复制代码

pd.concat(
    [df1, df2], 
    keys=['Year 1', 'Year 2'],
    names=['Class', None],
).reset_index(level=0)   
# reset_index(level='Class')

4.列匹配和排序

concat()函数还可以将合并后的列按不同顺序排序。虽然，它会自动将两个df的列对齐合并。但默认情况下，生成的DataFrame与第一个DataFrame具有相同的列排序。例如，在以下示例中，其顺序与df1相同。

如果想要按字母顺序对结果DataFrame进行排序，则可以设置参数sort=True。

python 复制代码

pd.concat([df1, df2], sort=True)

或者也可以自定义排序，像下面这样：

python 复制代码

custom_sort = ['math', 'chemistry', 'physics', 'name']
res = pd.concat([df1, df2])
res[custom_sort]

5.连接CSV文件数据集

假设我们需要从一堆CSV文件中加载并连接数据集。常规做法，我们可能会使用for循环解决，比如下面这样。

python 复制代码

import pathlib2 as pl2
ps = pl2.Path('data/sp3')
res = None
for p in ps.glob('*.csv'):
    if res is None:
        res = pd.read_csv(p)
    else:
        res = pd.concat([res, pd.read_csv(p)])

但上面pd.concat()在每次for循环迭代中都会被调用一次，效率不高，推荐使用列表推导式的写法。

python 复制代码

import pathlib2 as pl2
ps = pl2.Path('data/sp3')
dfs = (
    pd.read_csv(p, encoding='utf8') for p in ps.glob('*.csv')
)
res = pd.concat(dfs)
res

这样就可以用一行代码读取所有CSV文件并生成DataFrames的列表dfs。然后，我们只需要调用pd.concat(dfs)一次即可获得相同的结果，简洁高效。

使用%%timeit测试下上面两种写法的时间，第二种列表推导式大概省了一半时间。

python 复制代码

# for-loop solution
298 ms ± 11.8 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
# list comprehension solution
153 ms ± 6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)