Соединение pd.concat - полезный инструмент для работы с данными

Метод pd.concat() в библиотеке Pandas

Метод pd.concat() в библиотеке Pandas возвращает объединенный объект из нескольких Pandas объектов, таких как Series, DataFrame или Panel. Этот метод позволяет объединить данные по определенной оси и опционально выполнить различные операции по обработке пропущенных значений и дубликатов.

Давайте рассмотрим примеры кода, которые демонстрируют использование метода pd.concat().

Пример 1: Объединение двух DataFrame по оси строк

import pandas as pd

# Создание двух DataFrame
df1 = pd.DataFrame({'A': [1, 2, 3],
                    'B': [4, 5, 6]})
df2 = pd.DataFrame({'A': [7, 8, 9],
                    'B': [10, 11, 12]})

# Объединение по оси строк
result = pd.concat([df1, df2], axis=0)

print(result)

Вывод:

   A   B
0  1   4
1  2   5
2  3   6
0  7  10
1  8  11
2  9  12

В этом примере мы создали два DataFrame df1 и df2 с одинаковой структурой и объединили их по оси строк с помощью метода pd.concat(). Результатом является объединенный DataFrame result, в котором строки из df2 добавлены к строкам из df1.

Пример 2: Объединение двух DataFrame по оси столбцов

import pandas as pd

# Создание двух DataFrame
df1 = pd.DataFrame({'A': [1, 2, 3],
                    'B': [4, 5, 6]})
df2 = pd.DataFrame({'C': [7, 8, 9],
                    'D': [10, 11, 12]})

# Объединение по оси столбцов
result = pd.concat([df1, df2], axis=1)

print(result)

Вывод:

   A  B  C   D
0  1  4  7  10
1  2  5  8  11
2  3  6  9  12

В этом примере у нас есть два DataFrame df1 и df2 с разными столбцами. Мы объединяем их по оси столбцов, используя метод pd.concat(). Результатом является объединенный DataFrame result, в котором столбцы из df2 добавлены к столбцам из df1.

Пример 3: Обработка пропущенных значений при объединении

import pandas as pd

# Создание двух DataFrame с пропущенными значениями
df1 = pd.DataFrame({'A': [1, 2, 3],
                    'B': [4, 5, 6]})
df2 = pd.DataFrame({'A': [7, 8, 9],
                    'C': [10, 11, 12]})

# Объединение с игнорированием пропущенных значений
result = pd.concat([df1, df2], axis=1, join='inner')

print(result)

Вывод:

   A  B  A   C
0  1  4  7  10
1  2  5  8  11
2  3  6  9  12

В этом примере у нас есть два DataFrame df1 и df2 с разными столбцами, включая пропущенные значения. Мы объединяем их по оси столбцов и используем параметр join='inner', чтобы проигнорировать пропущенные значения. Результатом является объединенный DataFrame result, содержащий только столбцы, которые присутствуют в обоих DataFrame.

Пример 4: Обработка дубликатов при объединении

import pandas as pd

# Создание двух DataFrame с дубликатами
df1 = pd.DataFrame({'A': [1, 2, 3],
                    'B': [4, 5, 6]})
df2 = pd.DataFrame({'A': [3, 4, 5],
                    'B': [6, 7, 8]})

# Объединение с удалением дубликатов
result = pd.concat([df1, df2], axis=0, ignore_index=True, verify_integrity=True)

print(result)

Вывод:

   A  B
0  1  4
1  2  5
2  3  6
3  3  6
4  4  7
5  5  8

В этом примере у нас есть два DataFrame df1 и df2 с дубликатами. Мы объединяем их по оси строк и используем параметры ignore_index=True и verify_integrity=True для удаления дубликатов. Результатом является объединенный DataFrame result, в котором дублирующиеся строки удалены и индексы строк переиндексированы.

Выведенные примеры кода демонстрируют основные возможности метода pd.concat(). Этот метод является мощным инструментом для работы с данными, позволяющим объединять объекты Pandas по различным осям и выполнять операции по обработке пропущенных значений и дубликатов. Для более подробной информации и дополнительных опций данного метода рекомендуется обратиться к документации Pandas.