padasmege怎么用(padasmegelefto)

导语：在 Pandas 中使用 Merge、Join 、Concat合并数据的效率对比

在 Pandas 中有很多种方法可以进行DF的合并。本文将研究这些不同的方法，以及如何将它们应用到我们的数据中。

合并DF

Pandas 使用 .merge() 方法来执行合并。

import pandas as pd 39;identification&39;a&39;b&39;c&39;d&39;Customer_Name&39;King&39;West&39;Adams&39;Mercy&39;Category&39;furniture&39;Office Supplies&39;Technology&39;R_materials& our second dictionary to convert to a dataframe data2 = {&39;: [&39;, &39;, &39;, &39;], &39;:[&39;, &39;, &39;, &39;], &39;:[60, 30, 40, 50]}  using .merge() function new_data = pd.merge(df1, df2, on=&39;)

这产生了下面的新数据；

identification Customer_Name Category Class Age 0 a King furniture First_Class 60 1 b West Office Supplies Second_Class 30 2 c Adams Technology Same_day 40 3 d Mercy R_materials Standard Class 50

.join() 方法也可以将不同索引的 DataFrame 组合成一个新的 DataFrame。我们可以使用参数‘on’参数指定根据哪列进行合并。

让我们看看下面的例子，我们如何将单索引 DataFrame 与多索引 DataFrame 连接起来；

import pandas as pd 39;Customer_Name&39;King&39;West&39;Adams&39;Category&39;furniture&39;Office Supplies&39;Technology& our second dictionary to convert to a dataframe data2 = { &39;:[&39;, &39;, &39;, &39;], &39;:[60, 30, 40, 50]} 39;a&39;b&39;c&39;identification&39;a&39;x0&39;b&39;x1&39;c&39;x2&39;c&39;x3&39;identification&39;x& Convert the dictionary into DataFrame Ndata2 = pd.DataFrame(data2, index= index) print(Ndata, , Ndata2)  multi indexed result = Ndata.join(Ndata2, how=&39;)

我们的结果如下所示；

Customer_Name Category Class Age identification x 3 a x0 King furniture First_Class 60 b x1 West Office Supplies Second_Class 30 c x2 Adams Technology Same_day 40 x3 Adams Technology Standard Class 50

连接DF

Pandas 中concat() 方法在可以在垂直方向（axis=0）和水平方向（axis=1）上连接 DataFrame。我们还可以一次连接两个以上的 DataFrame 或 Series。

让我们看一个如何在 Pandas 中执行连接的示例；

import pandas as pd 39;identification&39;a&39;b&39;c&39;d&39;Customer_Name&39;King&39;West&39;Adams&39;Mercy&39;Category&39;furniture&39;Office Supplies&39;Technology&39;R_materials& our second dictionary to convert to a dataframe data2 = {&39;: [&39;, &39;, &39;, &39;], &39;:[&39;, &39;, &39;, &39;], &39;:[60, 30, 40, 50]} perform concatenation here based on horizontal axis new_data = pd.concat([df1, df2], axis=1) print(new_data)

这样就获得了新的 DataFrame ：

identification Customer_Name Category identification \ 0 a King furniture a 3 1 b West Office Supplies b 4 2 c Adams Technology c 5 3 d Mercy R_materials d Class Age 0 First_Class 60 1 Second_Class 30 2 Same_day 40 3 Standard Class 50

Merge和Join的效率对比

Pandas 中的Merge Joins操作都可以针对指定的列进行合并操作（SQL中的join）那么他们的执行效率是否相同呢？下面我们来进行一下测。

两个 DataFrame 都有相同数量的行和两列，实验中考虑了从 100 万行到 1000 万行的不同大小的 DataFrame，并在每次实验中将行数增加了 100 万。我对固定数量的行重复了十次实验，以消除任何随机性。下面是这十次试验中合并操作的平均运行时间。

上图描绘了操作所花费的时间（以毫秒为单位）。

正如我们从图中看到的，运行时间存在显着差异——最多相差 5 倍。随着 DataFrame 大小的增加，运行时间之间的差异也会增加。两个 JOIN 操作几乎都随着 DataFrame 的大小线性增加。但是，Join的运行时间增加的速度远低于Merge。

如果需要处理大量数据，还是请使用join()进行操作。

本文内容由快快网络小莉创作整理编辑！