如何合并多个表中的数据

来源：Pandas官网：https://pandas.pydata.org/docs/getting_started/intro_tutorials/index.html
笔记托管：https://gitee.com/DingJiaxiong/machine-learning-study

导包

import pandas as pd

数据准备

【空气质量硝酸盐数据】

air_quality_no2_long.csv $N{O}_2$ 分别位于巴黎、安特卫普和伦敦的 FR04014、BETR801 和伦敦威斯敏斯特测量站的值。

air_quality_no2 = pd.read_csv("air_quality_no2_long.csv", parse_dates=True)
air_quality_no2 = air_quality_no2[["date.utc", "location", "parameter", "value"]]
air_quality_no2.head()

	date.utc	location	parameter	value
0	2019-06-21 00:00:00+00:00	FR04014	no2	20.0
1	2019-06-20 23:00:00+00:00	FR04014	no2	21.8
2	2019-06-20 22:00:00+00:00	FR04014	no2	26.5
3	2019-06-20 21:00:00+00:00	FR04014	no2	24.9
4	2019-06-20 20:00:00+00:00	FR04014	no2	21.4

【空气质量颗粒物数据】

air_quality_pm25_long.csv $P{M}_{2.5}$ 分别位于巴黎、安特卫普和伦敦的 FR04014、BETR801 和伦敦威斯敏斯特测量站的值。

air_quality_pm25 = pd.read_csv("air_quality_pm25_long.csv")
air_quality_pm25 = air_quality_pm25[["date.utc", "location", "parameter", "value"]]
air_quality_pm25.head()

	date.utc	location	parameter	value
0	2019-06-18 06:00:00+00:00	BETR801	pm25	18.0
1	2019-06-17 08:00:00+00:00	BETR801	pm25	6.5
2	2019-06-17 07:00:00+00:00	BETR801	pm25	18.5
3	2019-06-17 06:00:00+00:00	BETR801	pm25	16.0
4	2019-06-17 05:00:00+00:00	BETR801	pm25	7.5

【1】连接对象

我想结合测量值 $N{O}_2$ 和 $P{M}_{2.5}$ ，两个结构相似的表，位于一个表中。

air_quality = pd.concat([air_quality_pm25, air_quality_no2], axis=0)
air_quality.head()

	date.utc	location	parameter	value
0	2019-06-18 06:00:00+00:00	BETR801	pm25	18.0
1	2019-06-17 08:00:00+00:00	BETR801	pm25	6.5
2	2019-06-17 07:00:00+00:00	BETR801	pm25	18.5
3	2019-06-17 06:00:00+00:00	BETR801	pm25	16.0
4	2019-06-17 05:00:00+00:00	BETR801	pm25	7.5

concat() 函数沿其中一个轴（逐行或按列）对多个表执行串联操作。

默认情况下，串联沿轴 0 进行，因此生成的表合并了输入表的行。让我们检查原始表和串联表的形状以验证操作：

print('Shape of the ``air_quality_pm25`` table: ', air_quality_pm25.shape)

Shape of the ``air_quality_pm25`` table:  (1110, 4)

print('Shape of the ``air_quality_no2`` table: ', air_quality_no2.shape)

Shape of the ``air_quality_no2`` table:  (2068, 4)

print('Shape of the resulting ``air_quality`` table: ', air_quality.shape)

Shape of the resulting ``air_quality`` table:  (3178, 4)

因此，生成的表有 3178 = 1110 + 2068 行。

【注意】axis 参数将返回许多可以沿轴应用的 pandas 方法。DataFrame有两个相应的轴：第一个轴垂直向下跨行（轴 0），第二个轴水平运行跨列（轴 1）。默认情况下，大多数操作（如串联或汇总统计信息）跨行（轴 0）应用，但也可以跨列应用。

根据日期时间信息对表进行排序还说明了两个表的组合，parameter列定义表的原点（表 air_quality_no2 中的 no2 或表 air_quality_pm25 中的 pm25):

air_quality = air_quality.sort_values("date.utc")
air_quality.head()

	date.utc	location	parameter	value
2067	2019-05-07 01:00:00+00:00	London Westminster	no2	23.0
1003	2019-05-07 01:00:00+00:00	FR04014	no2	25.0
100	2019-05-07 01:00:00+00:00	BETR801	pm25	12.5
1098	2019-05-07 01:00:00+00:00	BETR801	no2	50.5
1109	2019-05-07 01:00:00+00:00	London Westminster	pm25	8.0

在此特定示例中，数据提供的parameter列可确保可以标识每个原始表。情况并非总是如此。concat 函数使用 keys 参数提供了一个方便的解决方案，添加了额外的（分层）行索引。例如：

air_quality_ = pd.concat([air_quality_pm25, air_quality_no2], keys=["PM25", "NO2"])
air_quality_.head()

		date.utc	location	parameter	value
PM25	0	2019-06-18 06:00:00+00:00	BETR801	pm25	18.0
	1	2019-06-17 08:00:00+00:00	BETR801	pm25	6.5
	2	2019-06-17 07:00:00+00:00	BETR801	pm25	18.5
	3	2019-06-17 06:00:00+00:00	BETR801	pm25	16.0
	4	2019-06-17 05:00:00+00:00	BETR801	pm25	7.5

【2】使用通用标识符联接表

将台站元数据表提供的台站坐标添加到测量表中的相应行中。

stations_coord = pd.read_csv("air_quality_stations.csv")
stations_coord.head()

	location	coordinates.latitude	coordinates.longitude
0	BELAL01	51.23619	4.38522
1	BELHB23	51.17030	4.34100
2	BELLD01	51.10998	5.00486
3	BELLD02	51.12038	5.02155
4	BELR833	51.32766	4.36226

此示例中使用的电台（FR04014、BETR801 和伦敦威斯敏斯特）只是元数据表中登记的三个条目。我们只想将这三个坐标添加到测量表中，每个坐标都在air_quality表的相应行上。

air_quality.head()

	date.utc	location	parameter	value
2067	2019-05-07 01:00:00+00:00	London Westminster	no2	23.0
1003	2019-05-07 01:00:00+00:00	FR04014	no2	25.0
100	2019-05-07 01:00:00+00:00	BETR801	pm25	12.5
1098	2019-05-07 01:00:00+00:00	BETR801	no2	50.5
1109	2019-05-07 01:00:00+00:00	London Westminster	pm25	8.0

air_quality = pd.merge(air_quality, stations_coord, how="left", on="location")
air_quality.head()

	date.utc	location	parameter	value	coordinates.latitude	coordinates.longitude
0	2019-05-07 01:00:00+00:00	London Westminster	no2	23.0	51.49467	-0.13193
1	2019-05-07 01:00:00+00:00	FR04014	no2	25.0	48.83724	2.39390
2	2019-05-07 01:00:00+00:00	FR04014	no2	25.0	48.83722	2.39390
3	2019-05-07 01:00:00+00:00	BETR801	pm25	12.5	51.20966	4.43182
4	2019-05-07 01:00:00+00:00	BETR801	no2	50.5	51.20966	4.43182

使用 merge() 函数，对于air_quality表中的每一行，将从air_quality_stations_coord表中添加相应的坐标。两个表具有共同的列位置，该location用作组合信息的键。通过选择left连接，只有air_quality（左）表中可用的位置，即FR04014，BETR801和伦敦威斯敏斯特，最终会出现在结果表中。merge函数支持多个联接选项，类似于数据库样式的操作。

将参数元数据表提供的参数的完整描述和名称添加到测量表中。

air_quality_parameters = pd.read_csv("air_quality_parameters.csv")
air_quality_parameters.head()

	id	description	name
0	bc	Black Carbon	BC
1	co	Carbon Monoxide	CO
2	no2	Nitrogen Dioxide	NO2
3	o3	Ozone	O3
4	pm10	Particulate matter less than 10 micrometers in...	PM10

air_quality = pd.merge(air_quality, air_quality_parameters, how="left", left_on="parameter", right_on="id")
air_quality.head()

	date.utc	location	parameter	value	coordinates.latitude	coordinates.longitude	id	description	name
0	2019-05-07 01:00:00+00:00	London Westminster	no2	23.0	51.49467	-0.13193	no2	Nitrogen Dioxide	NO2
1	2019-05-07 01:00:00+00:00	FR04014	no2	25.0	48.83724	2.39390	no2	Nitrogen Dioxide	NO2
2	2019-05-07 01:00:00+00:00	FR04014	no2	25.0	48.83722	2.39390	no2	Nitrogen Dioxide	NO2
3	2019-05-07 01:00:00+00:00	BETR801	pm25	12.5	51.20966	4.43182	pm25	Particulate matter less than 2.5 micrometers i...	PM2.5
4	2019-05-07 01:00:00+00:00	BETR801	no2	50.5	51.20966	4.43182	no2	Nitrogen Dioxide	NO2

与前面的示例相比，没有通用列名。但是，air_quality表中的parameter列和air_quality_parameters_name中的 id 列都以通用格式提供测量变量。left_on 和 right_on 参数（而不仅仅是 on）在两个表之间建立链接。

【小结】

可以使用 concat 函数按列和按行连接多个表。

对于类似数据库的表合并/连接，请使用merge