Các đối tượng
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Trong hướng dẫn này, bạn sẽ tìm hiểu cách thức và thời điểm kết hợp dữ liệu của mình trong pandas với
4 để kết hợp dữ liệu trên các cột hoặc chỉ mục chung>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
5 để kết hợp dữ liệu trên một cột chính hoặc một chỉ mục>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
6 để kết hợp DataFrames trên các hàng hoặc cột>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
Nếu bạn có một số kinh nghiệm sử dụng các đối tượng
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bạn có thể làm theo các ví dụ trong hướng dẫn này bằng cách sử dụng Jupyter Notebook tương tác và các tệp dữ liệu có sẵn tại liên kết bên dưới
Tải xuống sổ ghi chép và tập dữ liệu. Nhấp vào đây để lấy bộ dữ liệu Jupyter Notebook và CSV mà bạn sẽ sử dụng để tìm hiểu về Pandas merge[],. tham gia [] và concat [] trong hướng dẫn này
Ghi chú. Các kỹ thuật mà bạn sẽ tìm hiểu bên dưới thường sẽ hoạt động cho cả đối tượng
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
gấu trúc >>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
4. Kết hợp dữ liệu trên các cột hoặc chỉ số chung
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Kỹ thuật đầu tiên mà bạn sẽ học là
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Khi bạn muốn kết hợp các đối tượng dữ liệu dựa trên một hoặc nhiều khóa, tương tự như những gì bạn làm trong cơ sở dữ liệu quan hệ, thì
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bạn có thể đạt được cả liên kết nhiều-một và nhiều-nhiều với
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Như bạn có thể đoán, trong phép nối nhiều-nhiều, cả hai cột hợp nhất của bạn sẽ có các giá trị lặp lại. Các phép hợp nhất này phức tạp hơn và dẫn đến tích Descartes của các hàng đã nối
Điều này có nghĩa là sau khi hợp nhất, bạn sẽ có mọi tổ hợp hàng có cùng giá trị trong cột chính. Bạn sẽ thấy điều này hoạt động trong các ví dụ bên dưới
Điều làm cho
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Khi bạn sử dụng
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
- Khung dữ liệu
79>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29] - Khung dữ liệu
80>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
Sau đó, bạn có thể cung cấp một số đối số tùy chọn để xác định cách hợp nhất các bộ dữ liệu của mình
81 xác định loại hợp nhất cần thực hiện. Nó mặc định là>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
82, nhưng các tùy chọn khả thi khác bao gồm>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
83,>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
84 và>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
85>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
86 cho>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
4 biết cột hoặc chỉ mục nào, còn được gọi là cột chính hoặc chỉ mục chính, bạn muốn tham gia vào. Đây là tùy chọn. Nếu nó không được chỉ định và>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
88 và>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
89 [được đề cập bên dưới] là>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
80, thì các cột từ hai Khung dữ liệu có chung tên sẽ được sử dụng làm khóa nối. Nếu bạn sử dụng>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
86, thì cột hoặc chỉ mục mà bạn chỉ định phải có trong cả hai đối tượng>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
82 và>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
83 chỉ định một cột hoặc chỉ mục chỉ có trong đối tượng>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
79 hoặc>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
80 mà bạn đang hợp nhất. Cả hai đều mặc định là>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
86>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]Cả
88 và>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
89 đều mặc định là>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
80, nhưng nếu bạn muốn sử dụng chỉ mục của đối tượng bên trái hoặc bên phải để hợp nhất, thì bạn có thể đặt đối số liên quan thành>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
80>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
81 là một bộ chuỗi để nối vào các tên cột giống hệt nhau không phải là khóa hợp nhất. Điều này cho phép bạn theo dõi nguồn gốc của các cột có cùng tên>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
Đây là một số tham số quan trọng nhất để chuyển đến
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Ghi chú. Trong hướng dẫn này, bạn sẽ thấy rằng các ví dụ luôn sử dụng
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Cách sử dụng >>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
4
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Trước khi tìm hiểu chi tiết về cách sử dụng
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
88>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
89>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
79>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
80>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
Ghi chú. Mặc dù bạn đang tìm hiểu về việc hợp nhất, nhưng bạn sẽ thấy
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bạn sẽ tìm hiểu chi tiết về các phép nối khác nhau này bên dưới, nhưng trước tiên hãy xem biểu diễn trực quan về chúng
Trong hình ảnh này, hai vòng tròn là hai tập dữ liệu của bạn và các nhãn trỏ đến phần hoặc các phần của tập dữ liệu mà bạn có thể muốn xem. Mặc dù sơ đồ này không bao gồm tất cả các sắc thái, nhưng nó có thể là một hướng dẫn hữu ích cho những người học trực quan
Nếu bạn có kiến thức cơ bản về SQL, thì bạn có thể nhận ra các tên thao tác hợp nhất từ cú pháp
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bạn cũng có thể xem giải thích trực quan về các phép nối khác nhau trong ngữ cảnh SQL trên Coding Horror. Bây giờ hãy xem các phép nối khác nhau đang hoạt động
ví dụ
Nhiều hướng dẫn về gấu trúc cung cấp DataFrames rất đơn giản để minh họa các khái niệm mà chúng đang cố gắng giải thích. Cách tiếp cận này có thể gây nhầm lẫn vì bạn không thể liên kết dữ liệu với bất kỳ thứ gì cụ thể. Vì vậy, đối với hướng dẫn này, bạn sẽ sử dụng hai bộ dữ liệu trong thế giới thực làm DataFrames để hợp nhất
- Chuẩn khí hậu cho California [nhiệt độ]
- Chuẩn khí hậu cho California [lượng mưa]
Bạn có thể khám phá các bộ dữ liệu này và làm theo các ví dụ bên dưới bằng cách sử dụng Sổ tay Jupyter tương tác và CSV dữ liệu khí hậu
Tải xuống sổ ghi chép và tập dữ liệu. Nhấp vào đây để lấy bộ dữ liệu Jupyter Notebook và CSV mà bạn sẽ sử dụng để tìm hiểu về Pandas merge[],. tham gia [] và concat [] trong hướng dẫn này
Nếu bạn muốn tìm hiểu cách sử dụng Jupyter Notebooks, hãy xem Jupyter Notebook. Một lời giới thiệu
Hai bộ dữ liệu này là của Cơ quan Quản lý Khí quyển và Đại dương Quốc gia [NOAA] và được lấy từ kho lưu trữ dữ liệu công cộng của NOAA. Đầu tiên, tải các bộ dữ liệu vào DataFrames riêng biệt
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Trong đoạn mã trên, bạn đã sử dụng pandas’
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Ở đây, bạn đã sử dụng
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Tiếp theo, hãy xem nhanh kích thước của hai DataFrames
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Lưu ý rằng
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
tham gia bên trong
Trong ví dụ này, bạn sẽ sử dụng
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Với hai tập dữ liệu được tải vào các đối tượng
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Tại đây, bạn đã tạo một Khung dữ liệu mới có tên là
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Nếu bạn kiểm tra thuộc tính
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Nếu bạn đoán đúng 365 hàng thì bạn đã đúng. Điều này là do
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Với
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bạn có thể chỉ định một cột khóa với một chuỗi hoặc nhiều cột khóa với một danh sách. Điều này dẫn đến một DataFrame với 123.005 hàng và 48 cột
Tại sao 48 cột thay vì 47? . Điều này có thể dẫn đến tên cột "trùng lặp", có thể có hoặc không có giá trị khác nhau
"Trùng lặp" nằm trong dấu ngoặc kép vì tên cột sẽ không khớp chính xác. Theo mặc định, chúng được thêm vào với
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Để tránh bất ngờ, tất cả các ví dụ sau sẽ sử dụng tham số
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
tham gia bên ngoài
Tại đây, bạn sẽ chỉ định một phép nối ngoài với tham số
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Nếu một hàng không khớp trong DataFrame khác dựa trên [các] cột chính, thì bạn sẽ không bị mất hàng như khi thực hiện với phép nối bên trong. Thay vào đó, hàng sẽ nằm trong DataFrame được hợp nhất, với các giá trị
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Điều này được minh họa tốt nhất trong một ví dụ
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Nếu bạn nhớ từ khi bạn kiểm tra thuộc tính
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Chỗ nối bên trái
Trong ví dụ này, bạn sẽ chỉ định một phép nối bên trái—còn được gọi là phép nối ngoài bên trái—với tham số
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bạn có thể coi đây là sự hợp nhất nửa bên ngoài, nửa bên trong. Ví dụ dưới đây cho bạn thấy điều này trong thực tế
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Điều này dẫn đến một DataFrame có 365 hàng, khớp với số hàng trong
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Quyền tham gia
Phép nối bên phải, hoặc phép nối ngoài bên phải, là phiên bản hình ảnh phản chiếu của phép nối bên trái. Với phép nối này, tất cả các hàng từ DataFrame bên phải sẽ được giữ lại, trong khi các hàng trong DataFrame bên trái không khớp trong cột chính của DataFrame bên phải sẽ bị loại bỏ
Để chứng minh cách nối phải và trái là hình ảnh phản chiếu của nhau, trong ví dụ bên dưới, bạn sẽ tạo lại Khung dữ liệu ________ 6110 từ phía trên, chỉ lần này sử dụng phép nối phải
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Tại đây, bạn chỉ cần lật vị trí của các Khung dữ liệu đầu vào và chỉ định một phép nối phù hợp. Khi bạn kiểm tra
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Mặt khác, sự phức tạp này làm cho
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bây giờ, bạn sẽ xem xét
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
gấu trúc >>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
5. Kết hợp dữ liệu trên một cột hoặc chỉ mục
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Mặc dù
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Về cơ bản,
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Với các chỉ số hiển thị, bạn có thể thấy một liên kết bên trái xảy ra ở đây, với
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bây giờ hãy lật lại ví dụ trước và thay vào đó hãy gọi
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Lưu ý rằng DataFrame lớn hơn, nhưng dữ liệu không tồn tại trong DataFrame nhỏ hơn,
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Cách sử dụng >>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
5
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Theo mặc định,
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Giống như
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
142 là tham số bắt buộc duy nhất. Nó xác định DataFrame khác để tham gia. Bạn cũng có thể chỉ định danh sách DataFrames tại đây, cho phép bạn kết hợp một số bộ dữ liệu trong một lệnh gọi>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
5>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
86 chỉ định tên cột hoặc chỉ mục tùy chọn cho DataFrame bên trái [>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
05 trong ví dụ trước] để tham gia chỉ mục của>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
142 DataFrame. Nếu nó được đặt thành>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
86, là giá trị mặc định, thì bạn sẽ nhận được liên kết chỉ mục trên chỉ mục>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
81 có các tùy chọn giống như>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
81 từ>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
4. Sự khác biệt là nó dựa trên chỉ mục trừ khi bạn cũng chỉ định các cột có>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
86>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
130 và>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
131 tương tự như>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
81 trong>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
4. Chúng chỉ định một hậu tố để thêm vào bất kỳ cột chồng lấp nào nhưng không có tác dụng khi chuyển danh sách>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
142 Khung dữ liệu>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]Có thể kích hoạt
157 để sắp xếp DataFrame kết quả theo khóa nối>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
ví dụ
Trong phần này, bạn sẽ thấy các ví dụ hiển thị một vài trường hợp sử dụng khác nhau cho
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Vì bạn đã thấy một cuộc gọi ngắn
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bởi vì
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Với điều này, kết nối giữa
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bên dưới, bạn sẽ thấy một cuộc gọi
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Ví dụ này gợi nhớ đến những gì bạn đã thấy trong phần giới thiệu về
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Trong phần này, bạn đã học về
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
gấu trúc >>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
6. Kết hợp dữ liệu trên các hàng hoặc cột
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Ghép nối hơi khác so với các kỹ thuật hợp nhất mà bạn đã thấy ở trên. Với việc hợp nhất, bạn có thể mong đợi tập dữ liệu kết quả có các hàng từ tập dữ liệu gốc được trộn lẫn với nhau, thường dựa trên một số điểm chung. Tùy thuộc vào loại hợp nhất, bạn cũng có thể mất các hàng không khớp trong tập dữ liệu khác
Với phép nối, các bộ dữ liệu của bạn chỉ được ghép lại với nhau dọc theo một trục — trục hàng hoặc trục cột. Trực quan, một phép nối không có tham số dọc theo hàng sẽ trông như thế này
Để thực hiện điều này trong mã, bạn sẽ sử dụng
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Ghi chú. Ví dụ này giả định rằng tên cột của bạn giống nhau. Nếu tên cột của bạn khác trong khi nối dọc theo hàng [trục 0], thì theo mặc định, các cột cũng sẽ được thêm vào và các giá trị
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Thay vào đó, nếu bạn muốn thực hiện nối dọc theo các cột thì sao?
Để thực hiện điều này, bạn sẽ sử dụng lệnh gọi
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Ghi chú. Ví dụ này giả định rằng các chỉ số của bạn giống nhau giữa các bộ dữ liệu. Nếu chúng khác nhau khi nối dọc theo các cột [trục 1], thì theo mặc định, các chỉ mục [hàng] bổ sung cũng sẽ được thêm vào và các giá trị
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bạn sẽ tìm hiểu thêm về các tham số cho
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Cách sử dụng >>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
6
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Như bạn có thể thấy, nối là một cách đơn giản hơn để kết hợp các bộ dữ liệu. Nó thường được sử dụng để tạo thành một tập hợp lớn hơn để thực hiện các thao tác bổ sung trên
Ghi chú. Khi bạn gọi
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Khi nối các bộ dữ liệu, bạn có thể chỉ định trục mà bạn sẽ nối. Nhưng điều gì xảy ra với trục kia?
Không. Theo mặc định, phép nối dẫn đến một tập hợp, trong đó tất cả dữ liệu được giữ nguyên. Bạn đã thấy điều này với
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Nếu bạn sử dụng tham số này, thì giá trị mặc định là
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Như với các phép nối bên trong khác mà bạn đã thấy trước đó, một số mất dữ liệu có thể xảy ra khi bạn thực hiện phép nối bên trong với
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Ghi chú. Hãy nhớ rằng, tham số
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Vì bạn đã biết về tham số
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
05 lấy bất kỳ trình tự nào—thường là một danh sách—của các đối tượng>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
2 hoặc>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
3 được nối. Bạn cũng có thể cung cấp một từ điển. Trong trường hợp này, các khóa sẽ được sử dụng để xây dựng chỉ mục phân cấp>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
186 đại diện cho trục mà bạn sẽ nối dọc theo. Giá trị mặc định là>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
09, nối dọc theo chỉ mục hoặc trục hàng. Ngoài ra, giá trị của>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
187 sẽ nối theo chiều dọc, dọc theo các cột. Bạn cũng có thể sử dụng các giá trị chuỗi>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
11 hoặc>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
188>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
198 tương tự như tham số>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
81 trong các kỹ thuật khác, nhưng nó chỉ chấp nhận các giá trị>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
88 hoặc>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
89. Giá trị mặc định là>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
89, giữ nguyên dữ liệu, trong khi>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
88 sẽ loại bỏ dữ liệu không khớp trong tập dữ liệu khác>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
19 nhận giá trị Boolean>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
80 hoặc>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
80. Nó mặc định là>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
80. Nếu>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
80, thì tập dữ liệu kết hợp mới sẽ không bảo toàn các giá trị chỉ mục ban đầu trong trục được chỉ định trong tham số>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
186. Điều này cho phép bạn có các giá trị chỉ mục hoàn toàn mới>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
25 cho phép bạn xây dựng chỉ mục phân cấp. Một trường hợp sử dụng phổ biến là có một chỉ mục mới trong khi vẫn giữ nguyên các chỉ mục ban đầu để bạn có thể biết hàng nào, ví dụ, đến từ tập dữ liệu gốc nào>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
194 chỉ định xem bạn có muốn sao chép dữ liệu nguồn hay không. Giá trị mặc định là>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
80. Nếu giá trị được đặt thành>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
80, thì gấu trúc sẽ không tạo bản sao của dữ liệu nguồn>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
Danh sách này không đầy đủ. Bạn có thể tìm thấy danh sách tham số đầy đủ, cập nhật trong tài liệu về gấu trúc
Loại bỏ các quảng cáoví dụ
Đầu tiên, bạn sẽ thực hiện nối cơ bản dọc theo trục mặc định bằng cách sử dụng DataFrames mà bạn đã sử dụng trong suốt hướng dẫn này
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Cái này thiết kế rất đơn giản. Tại đây, bạn đã tạo một DataFrame gấp đôi một DataFrame nhỏ đã được tạo trước đó. Một điều cần lưu ý là các chỉ số lặp lại. Nếu bạn muốn có một chỉ mục mới, dựa trên 0, thì bạn có thể sử dụng tham số
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Như đã lưu ý trước đây, nếu bạn nối dọc theo trục 0 [các hàng] nhưng có nhãn ở trục 1 [cột] không khớp, thì các cột đó sẽ được thêm vào và điền vào các giá trị
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Với hai DataFrames này, do bạn chỉ ghép dọc theo hàng nên rất ít cột trùng tên. Điều đó có nghĩa là bạn sẽ thấy rất nhiều cột có giá trị
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Thay vào đó, để loại bỏ các cột có bất kỳ dữ liệu bị thiếu nào, hãy sử dụng tham số
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Sử dụng phép nối bên trong, bạn sẽ chỉ còn lại những cột mà DataFrames ban đầu có điểm chung.
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bạn cũng có thể lật cái này bằng cách đặt tham số
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Bây giờ bạn chỉ có các hàng có dữ liệu cho tất cả các cột trong cả hai Khung dữ liệu. Không phải ngẫu nhiên mà số lượng hàng tương ứng với số lượng của DataFrame nhỏ hơn
Một thủ thuật hữu ích khác để ghép nối là sử dụng tham số
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>>
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Nếu bạn kiểm tra DataFrames ban đầu, thì bạn có thể xác minh xem các nhãn trục cấp cao hơn
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
>>> climate_temp.shape
[127020, 21]
>>> climate_precip.shape
[151110, 29]
Phần kết luận
Bây giờ bạn đã học được ba kỹ thuật quan trọng nhất để kết hợp dữ liệu trong gấu trúc
4 để kết hợp dữ liệu trên các cột hoặc chỉ mục chung>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
5 để kết hợp dữ liệu trên một cột chính hoặc một chỉ mục>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
6 để kết hợp DataFrames trên các hàng hoặc cột>>> climate_temp.shape [127020, 21] >>> climate_precip.shape [151110, 29]
Ngoài việc học cách sử dụng các kỹ thuật này, bạn cũng đã học về logic tập hợp bằng cách thử nghiệm các cách khác nhau để tham gia tập dữ liệu của mình. Ngoài ra, bạn đã tìm hiểu về các tham số phổ biến nhất cho từng kỹ thuật trên và những đối số nào bạn có thể chuyển để tùy chỉnh đầu ra của chúng
Bạn đã thấy các kỹ thuật này hoạt động trên tập dữ liệu thực thu được từ NOAA, tập dữ liệu này không chỉ cho bạn thấy cách kết hợp dữ liệu của mình mà còn cả lợi ích của việc làm như vậy với các kỹ thuật tích hợp sẵn của gấu trúc. Nếu bạn chưa tải xuống các tệp dự án, bạn có thể lấy chúng tại đây
Tải xuống sổ ghi chép và tập dữ liệu. Nhấp vào đây để lấy bộ dữ liệu Jupyter Notebook và CSV mà bạn sẽ sử dụng để tìm hiểu về Pandas merge[],. tham gia [] và concat [] trong hướng dẫn này
Bạn đã học được điều gì mới?
Đánh dấu là đã hoàn thành
Xem ngay Hướng dẫn này có một khóa học video liên quan do nhóm Real Python tạo. Xem nó cùng với hướng dẫn bằng văn bản để hiểu sâu hơn. Kết hợp dữ liệu trong pandas Với concat[] và merge[]
🐍 Thủ thuật Python 💌
Nhận một Thủ thuật Python ngắn và hấp dẫn được gửi đến hộp thư đến của bạn vài ngày một lần. Không có thư rác bao giờ. Hủy đăng ký bất cứ lúc nào. Được quản lý bởi nhóm Real Python
Gửi cho tôi thủ thuật Python »
Giới thiệu về Kyle Stratis
Kyle là một nhà phát triển tự học đang làm kỹ sư dữ liệu cao cấp tại Vizit Labs. Trong quá khứ, ông đã thành lập DanqEx [trước đây là Nasdanq. sàn giao dịch chứng khoán meme ban đầu] và Encryptid Gaming
» Thông tin thêm về KyleMỗi hướng dẫn tại Real Python được tạo bởi một nhóm các nhà phát triển để nó đáp ứng các tiêu chuẩn chất lượng cao của chúng tôi. Các thành viên trong nhóm đã làm việc trong hướng dẫn này là
Aldren
Bryan
Geir Arne
Joanna
Gia-cốp
kate
Martin
Bậc thầy Kỹ năng Python trong thế giới thực Với quyền truy cập không giới hạn vào Python thực
Tham gia với chúng tôi và có quyền truy cập vào hàng nghìn hướng dẫn, khóa học video thực hành và cộng đồng các Pythonistas chuyên gia
Nâng cao kỹ năng Python của bạn »
Bậc thầy Kỹ năng Python trong thế giới thực
Với quyền truy cập không giới hạn vào Python thực
Tham gia với chúng tôi và có quyền truy cập vào hàng ngàn hướng dẫn, khóa học video thực hành và cộng đồng Pythonistas chuyên gia
Nâng cao kỹ năng Python của bạn »
Bạn nghĩ sao?
Đánh giá bài viết này
Tweet Chia sẻ Chia sẻ EmailBài học số 1 hoặc điều yêu thích mà bạn đã học được là gì?
Mẹo bình luận. Những nhận xét hữu ích nhất là những nhận xét được viết với mục đích học hỏi hoặc giúp đỡ các sinh viên khác. Nhận các mẹo để đặt câu hỏi hay và nhận câu trả lời cho các câu hỏi phổ biến trong cổng thông tin hỗ trợ của chúng tôi