Hướng dẫn how does the merge function work in python? - hàm hợp nhất hoạt động như thế nào trong python?

Cách sử dụng >>> climate_temp.shape (127020, 21) >>> climate_precip.shape (151110, 29) 4

Trước khi đi sâu vào các chi tiết về cách sử dụng

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

• >>> outer_merged = pd.merge(
  ...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
  ... )
  >>> outer_merged.shape
  (127020, 48)
  

  3

• >>> outer_merged = pd.merge(
  ...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
  ... )
  >>> outer_merged.shape
  (127020, 48)
  

  4

• >>> precip_one_station = climate_precip.query("STATION == 'GHCND:USC00045721'")
  >>> precip_one_station.head()
                  STATION  ... DLY-SNOW-PCTALL-GE050TI
  1460  GHCND:USC00045721  ...                   -9999
  1461  GHCND:USC00045721  ...                   -9999
  1462  GHCND:USC00045721  ...                   -9999
  1463  GHCND:USC00045721  ...                   -9999
  1464  GHCND:USC00045721  ...                   -9999
  

  7

• >>> precip_one_station = climate_precip.query("STATION == 'GHCND:USC00045721'")
  >>> precip_one_station.head()
                  STATION  ... DLY-SNOW-PCTALL-GE050TI
  1460  GHCND:USC00045721  ...                   -9999
  1461  GHCND:USC00045721  ...                   -9999
  1462  GHCND:USC00045721  ...                   -9999
  1463  GHCND:USC00045721  ...                   -9999
  1464  GHCND:USC00045721  ...                   -9999
  

  8

Bạn có thể tìm hiểu về các kết nối khác nhau này một cách chi tiết dưới đây, nhưng trước tiên hãy xem đại diện trực quan này của họ:

Trong hình ảnh này, hai vòng tròn là hai bộ dữ liệu của bạn và các nhãn chỉ vào phần hoặc phần của bộ dữ liệu bạn có thể mong đợi. Mặc dù sơ đồ này không bao gồm tất cả các sắc thái, nhưng nó có thể là một hướng dẫn tiện dụng cho người học trực quan.

Nếu bạn có nền SQL, thì bạn có thể nhận ra tên hoạt động hợp nhất từ ​​cú pháp

>>> outer_merged = pd.merge(
...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
... )
>>> outer_merged.shape
(127020, 48)

>>> outer_merged = pd.merge(
...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
... )
>>> outer_merged.shape
(127020, 48)

>>> outer_merged = pd.merge(
...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
... )
>>> outer_merged.shape
(127020, 48)

>>> outer_merged = pd.merge(
...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
... )
>>> outer_merged.shape
(127020, 48)

Bạn cũng có thể thấy một lời giải thích trực quan về các liên kết khác nhau trong bối cảnh SQL về kinh dị mã hóa. Bây giờ hãy xem các tham gia khác nhau trong hành động.

Ví dụ

Nhiều hướng dẫn của gấu trúc cung cấp các khung dữ liệu rất đơn giản để minh họa các khái niệm mà họ đang cố gắng giải thích. Cách tiếp cận này có thể gây nhầm lẫn vì bạn có thể liên hệ dữ liệu với bất cứ điều gì cụ thể. Vì vậy, đối với hướng dẫn này, bạn sẽ sử dụng hai bộ dữ liệu trong thế giới thực làm các khung dữ liệu được hợp nhất:

1. Quy định khí hậu cho California (nhiệt độ)
2. Quy định khí hậu cho California (lượng mưa)

Bạn có thể khám phá các bộ dữ liệu này và theo dõi cùng với các ví dụ bên dưới bằng cách sử dụng máy tính xách tay Jupyter tương tác và dữ liệu khí hậu CSVS:

Nếu bạn muốn tìm hiểu cách sử dụng máy tính xách tay Jupyter, thì hãy xem Jupyter Notebook: Giới thiệu.

Hai bộ dữ liệu này là từ Cơ quan Khí quyển và Đại dương Quốc gia (NOAA) và được lấy từ kho lưu trữ dữ liệu công cộng NOAA. Đầu tiên, tải các bộ dữ liệu vào các khung dữ liệu riêng biệt:

>>>

>>> import pandas as pd
>>> climate_temp = pd.read_csv("climate_temp.csv")
>>> climate_precip = pd.read_csv("climate_precip.csv")

Trong mã trên, bạn đã sử dụng gấu trúc

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>>

>>> climate_temp.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

Trong mã trên, bạn đã sử dụng gấu trúc

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

Tại đây, bạn đã sử dụng

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>>

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

Trong mã trên, bạn đã sử dụng gấu trúc

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> precip_one_station = climate_precip.query("STATION == 'GHCND:USC00045721'")
>>> precip_one_station.head()
                STATION  ... DLY-SNOW-PCTALL-GE050TI
1460  GHCND:USC00045721  ...                   -9999
1461  GHCND:USC00045721  ...                   -9999
1462  GHCND:USC00045721  ...                   -9999
1463  GHCND:USC00045721  ...                   -9999
1464  GHCND:USC00045721  ...                   -9999

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> inner_merged = pd.merge(precip_one_station, climate_temp)
>>> inner_merged.head()
             STATION            STATION_NAME  ...  DLY-HTDD-BASE60  DLY-HTDD-NORMAL
0  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
1  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
2  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
3  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
4  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19

>>> inner_merged.shape
(365, 47)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> inner_merged_total = pd.merge(
...     climate_temp, climate_precip, on=["STATION", "DATE"]
... )
>>> inner_merged_total.shape
(123005, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> outer_merged = pd.merge(
...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
... )
>>> outer_merged.shape
(127020, 48)

>>> outer_merged = pd.merge(
...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
... )
>>> outer_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> right_merged = pd.merge(
...     precip_one_station, climate_temp, how="right", on=["STATION", "DATE"]
... )
>>> right_merged.shape
(127020, 48)

>>> precip_one_station = climate_precip.query("STATION == 'GHCND:USC00045721'")
>>> precip_one_station.head()
                STATION  ... DLY-SNOW-PCTALL-GE050TI
1460  GHCND:USC00045721  ...                   -9999
1461  GHCND:USC00045721  ...                   -9999
1462  GHCND:USC00045721  ...                   -9999
1463  GHCND:USC00045721  ...                   -9999
1464  GHCND:USC00045721  ...                   -9999

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> right_merged = pd.merge(
...     precip_one_station, climate_temp, how="right", on=["STATION", "DATE"]
... )
>>> right_merged.shape
(127020, 48)

>>> left_merged_reversed = pd.merge(
...     precip_one_station, climate_temp, how="left", on=["STATION", "DATE"]
... )
>>> left_merged_reversed.shape
(365, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> right_merged = pd.merge(
...     precip_one_station, climate_temp, how="right", on=["STATION", "DATE"]
... )
>>> right_merged.shape
(127020, 48)

>>> right_merged = pd.merge(
...     precip_one_station, climate_temp, how="right", on=["STATION", "DATE"]
... )
>>> right_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> left_merged = pd.merge(
...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
... )
>>> left_merged.shape
(127020, 48)

>>> right_merged = pd.merge(
...     precip_one_station, climate_temp, how="right", on=["STATION", "DATE"]
... )
>>> right_merged.shape
(127020, 48)

>>> climate_temp.shape (127020, 21) >>> climate_precip.shape (151110, 29) 4 là phức tạp nhất của các công cụ kết hợp dữ liệu PANDAS. Nó cũng là nền tảng mà các công cụ khác được xây dựng. Sự phức tạp của nó là sức mạnh lớn nhất của nó, cho phép bạn kết hợp các bộ dữ liệu theo mọi cách và tạo ra những hiểu biết mới về dữ liệu của bạn.

Mặt khác, sự phức tạp này làm cho

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

Bây giờ, bạn sẽ nhìn vào

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

• Pandas

  >>> climate_temp.shape
  (127020, 21)
  >>> climate_precip.shape
  (151110, 29)
  

  5: Kết hợp dữ liệu trên cột hoặc chỉ mục is the only required parameter. It defines the other DataFrame to join. You can also specify a list of DataFrames here, allowing you to combine a number of datasets in a single

  >>> climate_temp.shape
  (127020, 21)
  >>> climate_precip.shape
  (151110, 29)
  

  5 call.

• >>> inner_merged = pd.merge(precip_one_station, climate_temp)
  >>> inner_merged.head()
               STATION            STATION_NAME  ...  DLY-HTDD-BASE60  DLY-HTDD-NORMAL
  0  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  1  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  2  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  3  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  4  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  
  >>> inner_merged.shape
  (365, 47)
  

  4 Chỉ định một cột hoặc tên chỉ mục tùy chọn cho DataFrame bên trái (

  >>> left_merged = pd.merge(
  ...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
  ... )
  >>> left_merged.shape
  (127020, 48)
  

  6 trong ví dụ trước) để tham gia chỉ mục

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  33 DataFrame. Nếu nó được đặt thành

  >>> inner_merged_total = pd.merge(
  ...     climate_temp, climate_precip, on=["STATION", "DATE"]
  ... )
  >>> inner_merged_total.shape
  (123005, 48)
  

  4, đó là mặc định, thì bạn sẽ nhận được một chỉ số chỉ mục. specifies an optional column or index name for the left DataFrame (

  >>> left_merged = pd.merge(
  ...     climate_temp, precip_one_station, how="left", on=["STATION", "DATE"]
  ... )
  >>> left_merged.shape
  (127020, 48)
  

  6 in the previous example) to join the

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  33 DataFrame’s index. If it’s set to

  >>> inner_merged_total = pd.merge(
  ...     climate_temp, climate_precip, on=["STATION", "DATE"]
  ... )
  >>> inner_merged_total.shape
  (123005, 48)
  

  4, which is the default, then you’ll get an index-on-index join.

• >>> precip_one_station = climate_precip.query("STATION == 'GHCND:USC00045721'")
  >>> precip_one_station.head()
                  STATION  ... DLY-SNOW-PCTALL-GE050TI
  1460  GHCND:USC00045721  ...                   -9999
  1461  GHCND:USC00045721  ...                   -9999
  1462  GHCND:USC00045721  ...                   -9999
  1463  GHCND:USC00045721  ...                   -9999
  1464  GHCND:USC00045721  ...                   -9999
  

  9 có các tùy chọn tương tự như

  >>> precip_one_station = climate_precip.query("STATION == 'GHCND:USC00045721'")
  >>> precip_one_station.head()
                  STATION  ... DLY-SNOW-PCTALL-GE050TI
  1460  GHCND:USC00045721  ...                   -9999
  1461  GHCND:USC00045721  ...                   -9999
  1462  GHCND:USC00045721  ...                   -9999
  1463  GHCND:USC00045721  ...                   -9999
  1464  GHCND:USC00045721  ...                   -9999
  

  9 từ

  >>> climate_temp.shape
  (127020, 21)
  >>> climate_precip.shape
  (151110, 29)
  

  4. Sự khác biệt là dựa trên chỉ mục của nó trừ khi bạn cũng chỉ định các cột có

  >>> inner_merged = pd.merge(precip_one_station, climate_temp)
  >>> inner_merged.head()
               STATION            STATION_NAME  ...  DLY-HTDD-BASE60  DLY-HTDD-NORMAL
  0  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  1  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  2  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  3  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  4  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  
  >>> inner_merged.shape
  (365, 47)
  

  4. has the same options as

  >>> precip_one_station = climate_precip.query("STATION == 'GHCND:USC00045721'")
  >>> precip_one_station.head()
                  STATION  ... DLY-SNOW-PCTALL-GE050TI
  1460  GHCND:USC00045721  ...                   -9999
  1461  GHCND:USC00045721  ...                   -9999
  1462  GHCND:USC00045721  ...                   -9999
  1463  GHCND:USC00045721  ...                   -9999
  1464  GHCND:USC00045721  ...                   -9999
  

  9 from

  >>> climate_temp.shape
  (127020, 21)
  >>> climate_precip.shape
  (151110, 29)
  

  4. The difference is that it’s index-based unless you also specify columns with

  >>> inner_merged = pd.merge(precip_one_station, climate_temp)
  >>> inner_merged.head()
               STATION            STATION_NAME  ...  DLY-HTDD-BASE60  DLY-HTDD-NORMAL
  0  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  1  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  2  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  3  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  4  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  
  >>> inner_merged.shape
  (365, 47)
  

  4.

• >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  21 và

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  22 tương tự như

  >>> inner_merged_total = pd.merge(
  ...     climate_temp, climate_precip, on=["STATION", "DATE"]
  ... )
  >>> inner_merged_total.shape
  (123005, 48)
  

  9 trong

  >>> climate_temp.shape
  (127020, 21)
  >>> climate_precip.shape
  (151110, 29)
  

  4. Họ chỉ định một hậu tố để thêm vào bất kỳ cột chồng chéo nào nhưng không có hiệu lực khi chuyển danh sách các khung dữ liệu

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  33. and

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  22 are similar to

  >>> inner_merged_total = pd.merge(
  ...     climate_temp, climate_precip, on=["STATION", "DATE"]
  ... )
  >>> inner_merged_total.shape
  (123005, 48)
  

  9 in

  >>> climate_temp.shape
  (127020, 21)
  >>> climate_precip.shape
  (151110, 29)
  

  4. They specify a suffix to add to any overlapping columns but have no effect when passing a list of

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  33 DataFrames.

• >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  48 có thể được bật để sắp xếp DataFrame kết quả theo phím tham gia. can be enabled to sort the resulting DataFrame by the join key.

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

>>> 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.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

Vì

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> climate_temp.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> precip_one_station = climate_precip.query("STATION == 'GHCND:USC00045721'")
>>> precip_one_station.head()
                STATION  ... DLY-SNOW-PCTALL-GE050TI
1460  GHCND:USC00045721  ...                   -9999
1461  GHCND:USC00045721  ...                   -9999
1462  GHCND:USC00045721  ...                   -9999
1463  GHCND:USC00045721  ...                   -9999
1464  GHCND:USC00045721  ...                   -9999

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)

Dưới đây bạn sẽ thấy một cuộc gọi

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> climate_temp.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

>>> climate_temp.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>>

>>> climate_temp.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

Vì

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> climate_temp.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> precip_one_station = climate_precip.query("STATION == 'GHCND:USC00045721'")
>>> precip_one_station.head()
                STATION  ... DLY-SNOW-PCTALL-GE050TI
1460  GHCND:USC00045721  ...                   -9999
1461  GHCND:USC00045721  ...                   -9999
1462  GHCND:USC00045721  ...                   -9999
1463  GHCND:USC00045721  ...                   -9999
1464  GHCND:USC00045721  ...                   -9999

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)

Điều gì sẽ xảy ra nếu bạn muốn thực hiện một sự kết hợp dọc theo các cột thay thế? Đầu tiên, hãy xem biểu diễn trực quan của hoạt động này:

Để thực hiện điều này, bạn sẽ sử dụng cuộc gọi

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> climate_temp.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

>>> climate_temp.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

>>> climate_temp.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

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)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

>>> climate_temp.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

Như bạn có thể thấy, Concatenation là một cách đơn giản hơn để kết hợp các bộ dữ liệu. Nó thường được sử dụng để tạo thành một bộ duy nhất, lớn hơn để thực hiện các hoạt động bổ sung.set intersection.

Khi bạn kết hợp các bộ dữ liệu, bạn có thể chỉ định trục dọc theo đó bạn sẽ kết nối. Nhưng điều gì xảy ra với trục khác?

Không. Theo mặc định, kết quả kết hợp trong một liên minh đã thiết lập, trong đó tất cả dữ liệu được bảo tồn. 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.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

• Nếu bạn sử dụng tham số này, thì mặc định là

  >>> outer_merged = pd.merge(
  ...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
  ... )
  >>> outer_merged.shape
  (127020, 48)
  

  4, nhưng bạn cũng có tùy chọn

  >>> outer_merged = pd.merge(
  ...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
  ... )
  >>> outer_merged.shape
  (127020, 48)
  

  3, sẽ thực hiện tham gia bên trong hoặc đặt giao lộ. takes any sequence—typically a list—of

  >>> climate_temp.shape
  (127020, 21)
  >>> climate_precip.shape
  (151110, 29)
  

  2 or

  >>> climate_temp.shape
  (127020, 21)
  >>> climate_precip.shape
  (151110, 29)
  

  3 objects to be concatenated. You can also provide a dictionary. In this case, the keys will be used to construct a hierarchical index.

• >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  76 đại diện cho trục mà bạn sẽ kết hợp với nhau. Giá trị mặc định là

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  93, nối dọc theo chỉ mục hoặc trục hàng. Ngoài ra, giá trị của

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  77 sẽ kết hợp theo chiều dọc, dọc theo các cột. Bạn cũng có thể sử dụng các giá trị chuỗi

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  95 hoặc

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  78. represents the axis that you’ll concatenate along. The default value is

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  93, which concatenates along the index, or row axis. Alternatively, a value of

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  77 will concatenate vertically, along columns. You can also use the string values

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  95 or

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  78.

• >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  83 tương tự như tham số

  >>> precip_one_station = climate_precip.query("STATION == 'GHCND:USC00045721'")
  >>> precip_one_station.head()
                  STATION  ... DLY-SNOW-PCTALL-GE050TI
  1460  GHCND:USC00045721  ...                   -9999
  1461  GHCND:USC00045721  ...                   -9999
  1462  GHCND:USC00045721  ...                   -9999
  1463  GHCND:USC00045721  ...                   -9999
  1464  GHCND:USC00045721  ...                   -9999
  

  9 trong các kỹ thuật khác, nhưng nó chỉ chấp nhận các giá trị

  >>> outer_merged = pd.merge(
  ...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
  ... )
  >>> outer_merged.shape
  (127020, 48)
  

  3 hoặc

  >>> outer_merged = pd.merge(
  ...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
  ... )
  >>> outer_merged.shape
  (127020, 48)
  

  4. Giá trị mặc định là

  >>> outer_merged = pd.merge(
  ...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
  ... )
  >>> outer_merged.shape
  (127020, 48)
  

  4, bảo tồn dữ liệu, trong khi

  >>> outer_merged = pd.merge(
  ...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
  ... )
  >>> outer_merged.shape
  (127020, 48)
  

  3 sẽ loại bỏ dữ liệu không có khớp trong bộ dữ liệu khác. is similar to the

  >>> precip_one_station = climate_precip.query("STATION == 'GHCND:USC00045721'")
  >>> precip_one_station.head()
                  STATION  ... DLY-SNOW-PCTALL-GE050TI
  1460  GHCND:USC00045721  ...                   -9999
  1461  GHCND:USC00045721  ...                   -9999
  1462  GHCND:USC00045721  ...                   -9999
  1463  GHCND:USC00045721  ...                   -9999
  1464  GHCND:USC00045721  ...                   -9999
  

  9 parameter in the other techniques, but it only accepts the values

  >>> outer_merged = pd.merge(
  ...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
  ... )
  >>> outer_merged.shape
  (127020, 48)
  

  3 or

  >>> outer_merged = pd.merge(
  ...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
  ... )
  >>> outer_merged.shape
  (127020, 48)
  

  4. The default value is

  >>> outer_merged = pd.merge(
  ...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
  ... )
  >>> outer_merged.shape
  (127020, 48)
  

  4, which preserves data, while

  >>> outer_merged = pd.merge(
  ...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
  ... )
  >>> outer_merged.shape
  (127020, 48)
  

  3 would eliminate data that doesn’t have a match in the other dataset.

• >>> climate_temp.shape
  (127020, 21)
  >>> climate_precip.shape
  (151110, 29)
  

  03 có giá trị boolean

  >>> inner_merged_total = pd.merge(
  ...     climate_temp, climate_precip, on=["STATION", "DATE"]
  ... )
  >>> inner_merged_total.shape
  (123005, 48)
  

  8 hoặc

  >>> inner_merged = pd.merge(precip_one_station, climate_temp)
  >>> inner_merged.head()
               STATION            STATION_NAME  ...  DLY-HTDD-BASE60  DLY-HTDD-NORMAL
  0  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  1  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  2  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  3  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  4  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  
  >>> inner_merged.shape
  (365, 47)
  

  8. Nó mặc định là

  >>> inner_merged = pd.merge(precip_one_station, climate_temp)
  >>> inner_merged.head()
               STATION            STATION_NAME  ...  DLY-HTDD-BASE60  DLY-HTDD-NORMAL
  0  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  1  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  2  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  3  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  4  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  
  >>> inner_merged.shape
  (365, 47)
  

  8. Nếu

  >>> inner_merged_total = pd.merge(
  ...     climate_temp, climate_precip, on=["STATION", "DATE"]
  ... )
  >>> inner_merged_total.shape
  (123005, 48)
  

  8, thì bộ dữ liệu kết hợp mới đã giành được bảo quản các giá trị chỉ mục ban đầu trong trục được chỉ định trong tham số

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  76. Điều này cho phép bạn có các giá trị chỉ mục hoàn toàn mới. takes a Boolean

  >>> inner_merged_total = pd.merge(
  ...     climate_temp, climate_precip, on=["STATION", "DATE"]
  ... )
  >>> inner_merged_total.shape
  (123005, 48)
  

  8 or

  >>> inner_merged = pd.merge(precip_one_station, climate_temp)
  >>> inner_merged.head()
               STATION            STATION_NAME  ...  DLY-HTDD-BASE60  DLY-HTDD-NORMAL
  0  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  1  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  2  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  3  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  4  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  
  >>> inner_merged.shape
  (365, 47)
  

  8 value. It defaults to

  >>> inner_merged = pd.merge(precip_one_station, climate_temp)
  >>> inner_merged.head()
               STATION            STATION_NAME  ...  DLY-HTDD-BASE60  DLY-HTDD-NORMAL
  0  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  1  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  2  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  3  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  4  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  
  >>> inner_merged.shape
  (365, 47)
  

  8. If

  >>> inner_merged_total = pd.merge(
  ...     climate_temp, climate_precip, on=["STATION", "DATE"]
  ... )
  >>> inner_merged_total.shape
  (123005, 48)
  

  8, then the new combined dataset won’t preserve the original index values in the axis specified in the

  >>> climate_temp.head()
               STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
  0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
  
  >>> climate_precip.head()
               STATION  ... DLY-SNOW-PCTALL-GE050TI
  0  GHCND:USC00049099  ...                   -9999
  1  GHCND:USC00049099  ...                   -9999
  2  GHCND:USC00049099  ...                   -9999
  3  GHCND:USC00049099  ...                       0
  4  GHCND:USC00049099  ...                       0
  

  76 parameter. This lets you have entirely new index values.

• >>> climate_temp.shape
  (127020, 21)
  >>> climate_precip.shape
  (151110, 29)
  

  09 cho phép bạn xây dựng một chỉ số phân cấp. Một trường hợp sử dụng phổ biến là có một chỉ mục mới trong khi bảo quản các chỉ số ban đầu để bạn có thể biết các hàng nào, ví dụ, đến từ đó dữ liệu gốc. allows you to construct a hierarchical index. One common use case is to have a new index while preserving the original indices so that you can tell which rows, for example, come from which original dataset.

• >>> climate_temp.shape
  (127020, 21)
  >>> climate_precip.shape
  (151110, 29)
  

  10 Chỉ định xem bạn có muốn sao chép dữ liệu nguồn hay không. Giá trị mặc định là

  >>> inner_merged_total = pd.merge(
  ...     climate_temp, climate_precip, on=["STATION", "DATE"]
  ... )
  >>> inner_merged_total.shape
  (123005, 48)
  

  8. Nếu giá trị được đặt thành

  >>> inner_merged = pd.merge(precip_one_station, climate_temp)
  >>> inner_merged.head()
               STATION            STATION_NAME  ...  DLY-HTDD-BASE60  DLY-HTDD-NORMAL
  0  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  1  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  2  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  3  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  4  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  
  >>> inner_merged.shape
  (365, 47)
  

  8, thì Pandas đã giành được các bản sao của dữ liệu nguồn. specifies whether you want to copy the source data. The default value is

  >>> inner_merged_total = pd.merge(
  ...     climate_temp, climate_precip, on=["STATION", "DATE"]
  ... )
  >>> inner_merged_total.shape
  (123005, 48)
  

  8. If the value is set to

  >>> inner_merged = pd.merge(precip_one_station, climate_temp)
  >>> inner_merged.head()
               STATION            STATION_NAME  ...  DLY-HTDD-BASE60  DLY-HTDD-NORMAL
  0  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  1  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  2  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  3  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  4  GHCND:USC00045721  MITCHELL CAVERNS CA US  ...               14               19
  
  >>> inner_merged.shape
  (365, 47)
  

  8, then pandas won’t make copies of the source data.

Danh sách này không đầy đủ. Bạn có thể tìm thấy danh sách hoàn chỉnh, cập nhật các tham số trong tài liệu Pandas.

Ví dụ

Đầu tiên, bạn sẽ thực hiện một cách kết hợp cơ bản dọc theo trục mặc định bằng cách sử dụng các khung dữ liệu mà bạn đã chơi trong suốt hướng dẫn này:

>>>

>>> climate_temp.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

Điều này rất đơn giản theo thiết kế. Ở đây, bạn đã tạo một khung dữ liệu là một gấp đôi của một khung dữ liệu nhỏ đã được tạo trước đó. Một điều cần chú ý là các chỉ số lặp lại. Nếu bạn muốn 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.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

Điều này rất đơn giản theo thiết kế. Ở đây, bạn đã tạo một khung dữ liệu là một gấp đôi của một khung dữ liệu nhỏ đã được tạo trước đó. Một điều cần chú ý là các chỉ số lặp lại. Nếu bạn muốn 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.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

Điều này rất đơn giản theo thiết kế. Ở đây, bạn đã tạo một khung dữ liệu là một gấp đôi của một khung dữ liệu nhỏ đã được tạo trước đó. Một điều cần chú ý là các chỉ số lặp lại. Nếu bạn muốn 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)

Như đã lưu ý trước đây, nếu bạn nối dọc theo trục 0 (hàng) nhưng có nhãn trong trục 1 (cột) không phù hợp với nhau, thì các cột đó sẽ được thêm vào và điền vào các giá trị

>>> outer_merged = pd.merge(
...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
... )
>>> outer_merged.shape
(127020, 48)

>>>

>>> climate_temp.head()
             STATION            STATION_NAME  ... DLY-HTDD-BASE60 DLY-HTDD-NORMAL
0  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
1  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
2  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
3  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15
4  GHCND:USC00049099  TWENTYNINE PALMS CA US  ...              10              15

>>> climate_precip.head()
             STATION  ... DLY-SNOW-PCTALL-GE050TI
0  GHCND:USC00049099  ...                   -9999
1  GHCND:USC00049099  ...                   -9999
2  GHCND:USC00049099  ...                   -9999
3  GHCND:USC00049099  ...                       0
4  GHCND:USC00049099  ...                       0

Điều này rất đơn giản theo thiết kế. Ở đây, bạn đã tạo một khung dữ liệu là một gấp đôi của một khung dữ liệu nhỏ đã được tạo trước đó. Một điều cần chú ý là các chỉ số lặp lại. Nếu bạn muốn 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)

Như đã lưu ý trước đây, nếu bạn nối dọc theo trục 0 (hàng) nhưng có nhãn trong trục 1 (cột) không phù hợp với nhau, thì các cột đó sẽ được thêm vào và điền vào các giá trị

>>> outer_merged = pd.merge(
...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
... )
>>> outer_merged.shape
(127020, 48)

>>>

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

Điều này rất đơn giản theo thiết kế. Ở đây, bạn đã tạo một khung dữ liệu là một gấp đôi của một khung dữ liệu nhỏ đã được tạo trước đó. Một điều cần chú ý là các chỉ số lặp lại. Nếu bạn muốn 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)

Như đã lưu ý trước đây, nếu bạn nối dọc theo trục 0 (hàng) nhưng có nhãn trong trục 1 (cột) không phù hợp với nhau, thì các cột đó sẽ được thêm vào và điền vào các giá trị

>>> outer_merged = pd.merge(
...     precip_one_station, climate_temp, how="outer", on=["STATION", "DATE"]
... )
>>> outer_merged.shape
(127020, 48)

>>>

>>> climate_temp.shape
(127020, 21)
>>> climate_precip.shape
(151110, 29)

Điều này rất đơn giản theo thiết kế. Ở đây, bạn đã tạo một khung dữ liệu là một gấp đôi của một khung dữ liệu nhỏ đã được tạo trước đó. Một điều cần chú ý là các chỉ số lặp lại. Nếu bạn muốn 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)