对numpy和pandas中数组的合并和拆分详解_Python

合并

numpy中

numpy中可以通过concatenate，指定参数axis=0 或者 axis=1，在纵轴和横轴上合并两个数组。

				?

									import numpy as np

									import pandas as pd

									arr1=np.ones((3,5))

									arr1

									Out[5]: 

									array([[ 1., 1., 1., 1., 1.],

									    [ 1., 1., 1., 1., 1.],

									    [ 1., 1., 1., 1., 1.]])

									arr2=np.random.randn(15).reshape(arr1.shape)

									arr2

									Out[8]: 

									array([[-0.09666833, 1.47064828, -1.94608976, 0.2651279 , -0.32894787],

									    [ 1.01187699, 0.39171167, 1.49607091, 0.79216196, 0.33246644],

									    [ 1.71266238, 0.86650837, 0.77830394, -0.90519422, 1.55410056]])

									np.concatenate([arr1,arr2],axis=0) #在纵轴上合并

									Out[9]: 

									array([[ 1.    , 1.    , 1.    , 1.    , 1.    ],

									    [ 1.    , 1.    , 1.    , 1.    , 1.    ],

									    [ 1.    , 1.    , 1.    , 1.    , 1.    ],

									    [-0.09666833, 1.47064828, -1.94608976, 0.2651279 , -0.32894787],

									    [ 1.01187699, 0.39171167, 1.49607091, 0.79216196, 0.33246644],

									    [ 1.71266238, 0.86650837, 0.77830394, -0.90519422, 1.55410056]])

									np.concatenate([arr1,arr2],axis=1) #在横轴上合并

									Out[10]: 

									array([[ 1.    , 1.    , 1.    , ..., -1.94608976,

									     0.2651279 , -0.32894787],

									    [ 1.    , 1.    , 1.    , ..., 1.49607091,

									     0.79216196, 0.33246644],

									    [ 1.    , 1.    , 1.    , ..., 0.77830394,

									    -0.90519422, 1.55410056]])

									np.hstack([arr1,arr2]) # 水平 horizon 

									np.vstack([arr1,arr2]) # 垂直 vertical

pandas中

pandas中通过concat方法实现合并，指定参数axis=0 或者 axis=1，在纵轴和横轴上合并两个数组。与numpy不同，这里的两个dataframe要放在一个列表中，即[frame1,frame2]

				?

									from pandas import DataFrame

									frame1=DataFrame([[1,2,3],[4,5,6]])

									frame2=DataFrame([[7,8,9],[10,11,12]])

									pd.concat([frame1,frame2],ignore_index=True) # 合并的数组是一个可迭代的列表。

									Out[25]: 

									  0  1  2

									0  1  2  3

									1  4  5  6

									0  7  8  9

									1 10 11 12

									pd.concat([frame1,frame2],axis=1,ignore_index=True)

									Out[27]: 

									  0 1 2  3  4  5

									0 1 2 3  7  8  9

									1 4 5 6 10 11 12

拆分

默认情况下，Numpy数组是按行优先顺序创建。在空间方面，这就意味着，对于一个二维数字，每行中的数据项是存放在内在中相邻的位置上的。另一种顺序是列优先。

由于历史原因，行优先和列优先又分别被称为C和Fortran顺序。在Numpy中，可以通过关键字参数order='C' 和order='F' 来实现行优先和列优先。

				?

									arr=np.arange(15).reshape(3,-1)

									arr

									Out[29]: 

									array([[ 0, 1, 2, 3, 4],

									    [ 5, 6, 7, 8, 9],

									    [10, 11, 12, 13, 14]])

									arr.ravel('F') #按照列优先，扁平化。

									Out[30]: array([ 0, 5, 10, ..., 4, 9, 14])

									arr.ravel()

									Out[31]: array([ 0, 1, 2, ..., 12, 13, 14])

									arr.reshape((5,3),order='F') # Fortran 顺序

									Out[32]: 

									array([[ 0, 11, 8],

									    [ 5, 2, 13],

									    [10, 7, 4],

									    [ 1, 12, 9],

									    [ 6, 3, 14]])

									 arr.reshape((5,3),order='C')

									 Out[33]: 

									array([[ 0, 1, 2],

									    [ 3, 4, 5],

									    [ 6, 7, 8],

									    [ 9, 10, 11],

									    [12, 13, 14]])

以上这篇对numpy和pandas中数组的合并和拆分详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。

原文链接：https://blog.csdn.net/zhanshirj/article/details/73302401

对numpy和pandas中数组的合并和拆分详解

相关文章

热门资讯