Slå samman data i Python

Inom dataanalys är det vanligt att kombinera datauppsättningar. Python erbjuder kraftfulla verktyg i Pandas för att effektivt sammanfoga, joina och konkatenera datauppsättningar. Den här lektionen behandlar viktiga tekniker för att sammanfoga data i Python.

Konkatenering kombinerar datauppsättningar genom att stapla dem radvis eller kolumnvis. Använd funktionen pd.concat() för detta.

Exempel:

import pandas as pd data1 = {'Name': ['Alice'], 'Age': [25]} data2 = {'Name': ['Bob'], 'Age': [30]} df1 = pd.DataFrame(data1) df2 = pd.DataFrame(data2) df = pd.concat([df1, df2])

Merge kombinerar datauppsättningar baserat på gemensamma kolumner eller index. Använd pd.merge() för att sammanfoga DataFrames.

Exempel:

data1 = {'ID': [1, 2], 'Name': ['Alice', 'Bob']} data2 = {'ID': [1, 2], 'Age': [25, 30]} df1 = pd.DataFrame(data1) df2 = pd.DataFrame(data2) df = pd.merge(df1, df2, on='ID')

Funktionen merge() stöder olika join-typer:

• Inner join: Returnerar rader med matchande nycklar i båda DataFrames.
• Outer join: Returnerar alla rader och fyller i saknade värden med NaN.
• Left join: Behåller alla rader från den vänstra DataFrame-en.
• Right join: Behåller alla rader från den högra DataFrame-en.

Du kan sammanfoga DataFrames med flera nycklar genom att skicka en lista med kolumnnamn till parametern on.

Exempel:

pd.merge(df1, df2, on=['Key1', 'Key2'])

Du kan konkatenera DataFrames sida vid sida, det vill säga kolumnvis, med hjälp av axis=1.

Exempel:

df = pd.concat([df1, df2], axis=1)

Metoden combine_first() kombinerar överlappande data och fyller i saknade värden från en annan DataFrame.

Exempel:

df1.combine_first(df2)

I den här lektionen lärde du dig om:

• Konkatenering: Att stapla DataFrames med hjälp av pd.concat().
• Sammanfogning: Att kombinera DataFrames baserat på gemensamma nycklar med hjälp av pd.merge().
• Join-typer: Inner, outer, left och right join.
• Kombinering av överlappande data: Att använda combine_first().

Du har slutfört lektionen om datasammanfogning i Python. Gå vidare till nästa lektion för att lära dig mer om egenskapsutvinning från data.