百木园大家知道在pandas的数据框架中，数据格式对象主要有两种，一种是Series，另一种则是比较常见的DataFrame数据对象。pandas.concat()连接函数主要是用于处理这两种对象的数据连接！
【阅读全文】
函数说明
\'\'\'
cancat()函数
pd.concat(objs, axis=0, join=\'outer\', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False,
copy=True)
参数说明：
objs：Series，DataFrame或Panel对象的序列或映射。如果传递了dict，则排序的键将用作键参数，除非它被传递，在这种情况下，将选择值（见下文）。任何无对象将被静默删除，除非它们都是无，在这种情况下将引发一个ValueError。
axis：{0,1，...}，默认为0。沿着连接的轴。
join：{\'inner\'，\'outer\'}，默认为“outer”。如何处理其他轴上的索引。outer为联合和inner为交集。
ignore_index：boolean，default False。如果为True，请不要使用并置轴上的索引值。结果轴将被标记为0，...，n-1。如果要连接其中并置轴没有有意义的索引信息的对象，这将非常有用。注意，其他轴上的索引值在连接中仍然受到尊重。
join_axes：Index对象列表。用于其他n-1轴的特定索引，而不是执行内部/外部设置逻辑。
keys：序列，默认值无。使用传递的键作为最外层构建层次索引。如果为多索引，应该使用元组。
levels：序列列表，默认值无。用于构建MultiIndex的特定级别（唯一值）。否则，它们将从键推断。
names：list，default无。结果层次索引中的级别的名称。
verify_integrity：boolean，default False。检查新连接的轴是否包含重复项。这相对于实际的数据串联可能是非常昂贵的。
copy：boolean，default True。如果为False，请勿不必要地复制数据。
\'\'\'
Series 数据处理
普通合并
# 导入pandas数据处理库
import pandas as pd
# 初始化series_1数据对象
series_1 = pd.Series([\'a\', \'b\',\'c\'])
# 初始化series_2数据对象
series_2 = pd.Series([\'c\', \'d\'])
# 合并series_1、series_2
res = pd.concat([series_1, series_2])
# 打印合并结果
print(res)
# 0 a
# 1 b
# 2 c
# 0 c
# 1 d
忽略索引合并
# 合并series_1、series_2，忽略索引
res = pd.concat([series_1, series_2],ignore_index=True)
# 打印合并结果
print(res)
# 0 a
# 1 b
# 2 c
# 3 c
# 4 d
添加分层索引合并
# 合并series_1、series_2，忽略索引
res = pd.concat([series_1, series_2],keys=[\'series_1\',\'series_2\'])
# 打印合并结果
print(res)
# series_1 0 a
# 1 b
# 2 c
# series_2 0 c
# 1 d
添加数据列合并
# 合并series_1、series_2，添加数据列名
res = pd.concat([series_1, series_2],keys=[\'series_1\',\'series_2\'],names=[\'Series ID\', \'index\'])
# 打印合并结果
print(res)
# Series ID index
# series_1 0 a
# 1 b
# 2 c
# series_2 0 c
# 1 d
DataFrame 数据处理
合并两个相同列的DataFrame对象
# 创建DataFrame对象dataframe_1
dataframe_1 = pd.DataFrame([[\'coding\', \'python\'], [\'type\', \'1\']], columns=[\'名称\', \'类型\'])
# 创建DataFrame对象dataframe_2
dataframe_2 = pd.DataFrame([[\'coding\', \'java\'], [\'type\', \'2\']], columns=[\'名称\', \'类型\'])
# 合并两个列相同的DataFrame对象dataframe_1、dataframe_2
res = pd.concat([dataframe_1, dataframe_2])
# 打印合并DataFrame对象
print(res)
# 名称 类型
# 0 coding python
# 1 type 1
# 0 coding java
# 1 type 2
合并重叠的DataFrame
# 创建DataFrame对象dataframe_3
dataframe_3 = pd.DataFrame([[\'coding\', \'java\',\'91\'], [\'type\', \'2\',\'93\']], columns=[\'名称\', \'类型\',\'评分\'])
# 合并两个不相同的DataFrame对象dataframe_1、dataframe_3
# 合并时不存在的列则使用Nan值进行合并
res = pd.concat([dataframe_1, dataframe_3],sort=False)
# 打印合并DataFrame对象
print(res)
# 名称 类型 评分
# 0 coding python NaN
# 1 type 1 NaN
# 0 coding java 91
# 1 type 2 93
# join=\'inner\',去除重叠交叉的列
res = pd.concat([dataframe_1, dataframe_3],join=\'inner\')
print(res)
# 0 coding python
# 1 type 1
# 0 coding java
# 1 type 2
本文由WeiXin公众号【python 集中营】一键发布，更多精彩文章、视频资料即可领取！
来源：https://www.cnblogs.com/lwsbc/p/15344225.html
图文来源于网络，如有侵权请联系删除。