Pandas 串联
Pandas 连接的操作实例
Pandas提供了各种功能，可以轻松地将Series，DataFrame和Panel对象组合在一起。
pd.concat(objs,axis=0,join='outer',join_axes=None,ignore_index=False)
objs − 这是Series的序列或映射，DataFrame或Panel对象。 axis − {0，1，...}，默认为0。这是要串联的轴。 join − {'inner'，'outer'}，默认为'outer'。如何处理其他轴上的索引。外部为联合，内部为交叉。 ignore_index − 布尔值，默认为False。如果为True，则不要在串联轴上使用索引值。结果轴将标记为0，...，n-1。 join_axes − 这是索引对象的列表。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。
连接对象
该CONCAT函数执行所有沿轴线进行联接操作的重任。让我们创建不同的对象并进行串联。
importpandasaspdone=pd.DataFrame({'Name':['Alex','Amy','Allen','Alice','Ayoung'],'subject_id':['sub1','sub2','sub4','sub6','sub5'],'Marks_scored':[98,90,87,69,78]},index=[1,2,3,4,5])two=pd.DataFrame({'Name':['Billy','Brian','Bran','Bryce','Betty'],'subject_id':['sub2','sub4','sub3','sub6','sub5'],'Marks_scored':[89,80,79,97,88]},index=[1,2,3,4,5])print(pd.concat([one,two])))运行结果如下：
Marks_scoredNamesubject_id198Alexsub1290Amysub2387Allensub4469Alicesub6578Ayoungsub5189Billysub2280Briansub4379Bransub3497Brycesub6588Bettysub5
假设我们想将特定的键与切碎的DataFrame的每个片段相关联。我们可以通过使用keys参数来做到这一点-
importpandasaspdone=pd.DataFrame({'Name':['Alex','Amy','Allen','Alice','Ayoung'],'subject_id':['sub1','sub2','sub4','sub6','sub5'],'Marks_scored':[98,90,87,69,78]},index=[1,2,3,4,5])two=pd.DataFrame({'Name':['Billy','Brian','Bran','Bryce','Betty'],'subject_id':['sub2','sub4','sub3','sub6','sub5'],'Marks_scored':[89,80,79,97,88]},index=[1,2,3,4,5])print(pd.concat([one,two],keys=['x','y']))运行结果如下：
x198Alexsub1290Amysub2387Allensub4469Alicesub6578Ayoungsub5y189Billysub2280Briansub4379Bransub3497Brycesub6588Bettysub5
结果的索引是重复的；每个索引重复。
如果结果对象必须遵循其自己的索引，则将ignore_index设置为True。
importpandasaspdone=pd.DataFrame({'Name':['Alex','Amy','Allen','Alice','Ayoung'],'subject_id':['sub1','sub2','sub4','sub6','sub5'],'Marks_scored':[98,90,87,69,78]},index=[1,2,3,4,5])two=pd.DataFrame({'Name':['Billy','Brian','Bran','Bryce','Betty'],'subject_id':['sub2','sub4','sub3','sub6','sub5'],'Marks_scored':[89,80,79,97,88]},index=[1,2,3,4,5])print(pd.concat([one,two],keys=['x','y'],ignore_index=True))运行结果如下：
Marks_scoredNamesubject_id098Alexsub1190Amysub2287Allensub4369Alicesub6478Ayoungsub5589Billysub2680Briansub4779Bransub3897Brycesub6988Bettysub5
注意，索引完全更改，并且键也被覆盖。
如果需要沿axis = 1添加两个对象，则将添加新列。
importpandasaspdone=pd.DataFrame({'Name':['Alex','Amy','Allen','Alice','Ayoung'],'subject_id':['sub1','sub2','sub4','sub6','sub5'],'Marks_scored':[98,90,87,69,78]},index=[1,2,3,4,5])two=pd.DataFrame({'Name':['Billy','Brian','Bran','Bryce','Betty'],'subject_id':['sub2','sub4','sub3','sub6','sub5'],'Marks_scored':[89,80,79,97,88]},index=[1,2,3,4,5])print(pd.concat([one,two],axis=1))运行结果如下：
Marks_scoredNamesubject_idMarks_scoredNamesubject_id198Alexsub189Billysub2290Amysub280Briansub4387Allensub479Bransub3469Alicesub697Brycesub6578Ayoungsub588Bettysub5
使用append串联
Concat有用的快捷方式是Series和DataFrame上的append实例方法。这些方法实际上早于concat。它们沿着轴= 0连接，即索引-
importpandasaspdone=pd.DataFrame({'Name':['Alex','Amy','Allen','Alice','Ayoung'],'subject_id':['sub1','sub2','sub4','sub6','sub5'],'Marks_scored':[98,90,87,69,78]},index=[1,2,3,4,5])two=pd.DataFrame({'Name':['Billy','Brian','Bran','Bryce','Betty'],'subject_id':['sub2','sub4','sub3','sub6','sub5'],'Marks_scored':[89,80,79,97,88]},index=[1,2,3,4,5])print(one.append(two))运行结果如下：
Marks_scoredNamesubject_id198Alexsub1290Amysub2387Allensub4469Alicesub6578Ayoungsub5189Billysub2280Briansub4379Bransub3497Brycesub6588Bettysub5
该附加功能可以采取多个对象，以及-
importpandasaspdone=pd.DataFrame({'Name':['Alex','Amy','Allen','Alice','Ayoung'],'subject_id':['sub1','sub2','sub4','sub6','sub5'],'Marks_scored':[98,90,87,69,78]},index=[1,2,3,4,5])two=pd.DataFrame({'Name':['Billy','Brian','Bran','Bryce','Betty'],'subject_id':['sub2','sub4','sub3','sub6','sub5'],'Marks_scored':[89,80,79,97,88]},index=[1,2,3,4,5])print(one.append([two,one,two]))运行结果如下：
Marks_scoredNamesubject_id198Alexsub1290Amysub2387Allensub4469Alicesub6578Ayoungsub5189Billysub2280Briansub4379Bransub3497Brycesub6588Bettysub5198Alexsub1290Amysub2387Allensub4469Alicesub6578Ayoungsub5189Billysub2280Briansub4379Bransub3497Brycesub6588Bettysub5
时间序列
Pandas 提供了一个强大的工具来处理时间序列数据，特别是在金融领域。在处理时间序列数据时，我们经常遇到以下情况：
产生时间顺序将时间序列转换为不同的频率
提供了一套相对紧凑且独立的工具来执行上述任务。
获取当前时间
datetime.now()为您提供当前日期和时间。
importpandasaspdprint(pd.datetime.now())
运行结果如下：
2017-05-1106:10:13.393147
创建一个时间戳
时间戳数据是将值与时间点相关联的时间序列数据的最基本类型。对于熊猫对象，这意味着使用时间点。让我们举个实例-
importpandasaspdprint(pd.Timestamp('2017-03-01'))运行结果如下：
2017-03-0100:00:00
也可以转换整数或浮点时间。这些的默认单位是纳秒（因为这是时间戳的存储方式）。但是，通常将纪元存储在可以指定的另一个单元中。再举一个实例
importpandasaspdprint(pd.Timestamp(1587687255,unit='s'))
运行结果如下：
2020-04-2400:14:15
创建时间范围
importpandasaspdprint(pd.date_range("11:00","13:30",freq="30min").time)运行结果如下：
[datetime.time(11,0)datetime.time(11,30)datetime.time(12,0)datetime.time(12,30)datetime.time(13,0)datetime.time(13,30)]
更改时间频率
importpandasaspdprint(pd.date_range("11:00","13:30",freq="H").time)运行结果如下：
[datetime.time(11,0)datetime.time(12,0)datetime.time(13,0)]
转换为时间戳
若要将类似日期的对象的系列或类似列表的对象（例如字符串，历元或混合）转换，可以使用to_datetime函数。传递时，将返回一个Series（具有相同的索引），而类似列表的列表将转换为DatetimeIndex。看下面的实例-
importpandasaspdprint(pd.to_datetime(pd.Series(['Jul31,2009','2010-01-10',None])))
运行结果如下：
02009-07-3112010-01-102NaTdtype:datetime64[ns]
NaT表示不是时间（相当于NaN）
让我们再举一个实例。
importpandasaspdprint(pd.to_datetime(['2005/11/23','2010.12.31',None]))
运行结果如下：
DatetimeIndex(['2005-11-23','2010-12-31','NaT'],dtype='datetime64[ns]',freq=None)