Python数据分析，办公自动化，数据表如何做拼接与连接？

　　日常数据分析中，需要将多个表进行合并，包括表的纵向拼接以及表的横向连接，将多个小表组合成为一张大表，使用的方法有Excel中的Vlookup函数法，SQL中UNION和JOIN的方法，以及Pandas模块中的函数。
　　使用VLOOKUP函数，指定条件在指定区域直方向查找数据。
　　VLOOKUP函数的公式如下：VLOOKUP（lookupvalue，tablearray，colindexnum，rangelookup）
　　匹配张三的语文、数学、英语成绩使用VLOOKUP函数演示。
　　VLOOKUP函数动态演示
　　在SQL中，对于多张表的纵向拼接，使用UNION或UNIONALL关键词，对于多张表横向连接，使用INNERJOIN或者LEFTJOIN即可。
　　在Python，Pandas模块中append函数和concat函数可以对表格做纵向合并，merge函数可以对表格横向连接。其中，append函数只能在行方向进行拼接，concat函数可以在行方向或列方向进行内联或外联拼接操作，默认行拼接，取并集，merge函数可以在行方向或列方向进行拼接，默认列拼接，取交集。
　　本文详细介绍Pandas模块中append函数、concat函数和merge函数，使用案例数据进行代码演示，下面一起来学习。
　　本文来源于公众号：大话数据分析。一、表格纵向拼接
　　1、append函数
　　append函数的语法如下：df。append（other，ignoreindexFalse，verifyintegrityFalse，sortNone）
　　函数的参数说明如下：other：DataFrame、series、dict、list等数据结构；ignoreindex：默认值为False，若为True则不使用index标签；verifyintegrity：默认值为False，若为True，当创建相同的index时会抛出ValueError的异常；sort：默认None，若为True时，进行排序。
　　append函数的使用方法如下：
　　构建一个DataFrame数据集，表示为df1和df2。df1pd。DataFrame（〔〔11，12〕，〔13，14〕〕，columns〔二班，一班〕，index〔优，良〕）df1
　　df2pd。DataFrame（〔〔15，16〕〕，columns〔二班，三班〕，index〔差〕）df2
　　使用append函数拼接，不排序。df1。append（df2，sortFalse）
　　sortTrue，进行排序。df1。append（df2，sortTrue）
　　ignoreindexTrue去除索引。df1。append（df1，ignoreindexTrue）去除索引
　　2、concat函数
　　concat函数的语法如下：pd。concat（objs，axis0，joinouter，jokinaxesNone，ignoreindexFalse，keysNone）
　　函数的参数说明如下：objs：指定需要合并的对象；axis：拼接轴方向，默认为0，沿行拼接；若为1，沿列拼接；join：默认外联，拼接另一轴所有的label，缺失值用NaN填充；joinaxes：指定需要拼接轴的labels，可在join既不内联又不外联的时候使用；ignoreindex：对index进行重新排序，默认为False，若为True，则表示忽略原索引并生成新索引；keys：多重索引，便于区分来源表；sort：按值排序。
　　concat函数的使用方法如下：importpandasaspdimportdatetime
　　构建一个DataFrame数据集，表示为df1和df2。构造数据集df1df1pd。DataFrame（｛用户ID：〔1001，1002，1003，1004，1005，1006〕，日期：pd。daterange（datetime。datetime（2021，3，26），periods6），城市：〔北京，上海，广州，上海，杭州，北京〕，年龄：〔23，44，54，32，34，32〕，性别：〔F，M，M，F，F，F〕，成交量：〔3200，1356，2133，6733，2980，3452〕｝，columns〔用户ID，日期，城市，年龄，性别，成交量〕）df1
　　构造数据集df2df2pd。DataFrame（｛用户ID：〔1007，1008，1009〕，日期：pd。daterange（datetime。datetime（2021，3，1），periods3），城市：〔北京，上海，广州〕，年龄：〔33，34，34，〕，成交量：〔4200，3356，2633〕｝，columns〔用户ID，日期，城市，年龄，成交量〕）df2
　　使用concat函数拼接，keys为合并后的数据添加新索引，用于区分各个数据部分sort按照列名排序。数据集的纵向合并dfpd。concat（〔df1，df2〕，指定需要合并的对象keys〔df1，df2〕，为合并后的数据添加新索引，用于区分各个数据部分sortTrue按照列名排序）df
　　level0将第一列的索引列转换为变量。将第一列的索引列转换为变量df3df。resetindex（level0，inplaceFalse）df3
　　rename将第一列的索引列转换为变量后然后重命名。变量重命名df3。rename（columns｛level0：数据集｝，inplaceTrue）df3
　　拼接成新的数据集后，发现行索引还是原来的，不直观，这是使用两种方法进行修改，一种是使用index的方法。重新调整行索引df3。indexrange（df3。shape〔0〕）df3
　　另一种当ignoreindexTrue，对index进行重新排序。重新调整行索引dfpd。concat（〔df1，df2〕，sortTrue，ignoreindexTrue）df
　　二、横向连接
　　1、merge函数
　　merge函数的语法如下：pd。merge（left，right，howinner，onNone，leftonNone，rightonNone，leftindexFalse，rightindexFalse，sortFalse，suffixes（x，y），copyTrue，indicatorFalse，validateNone）
　　函数的参数说明如下：leftdata、rightdata：需要合并的两部分数据；on：连接键，当两个表的连接键名一样，可以直接用on，而不用lefton和righton，可以是单键或多键；lefton、righton：如果两个表键名不一样，则分别指出，可以是单键或多键；suffixes：如果两边键名相同，要做区分，可以使用此参数指定区分格式，如suffixes（leftx，righty）；how：指定连接方式，分为inner、left、right、outer；
　　merge函数的使用方法如下：importpandasaspdimportdatetime
　　构建一个DataFrame数据集，表示为df1和df2。构造数据集dfdf1pd。DataFrame（｛用户ID：〔1001，1002，1003，1004，1005，1006〕，日期：pd。daterange（datetime。datetime（2021，3，26），periods6），城市：〔北京，上海，广州，上海，杭州，北京〕，年龄：〔23，44，54，32，34，32〕，性别：〔F，M，M，F，F，F〕，成交量：〔3200，1356，2133，6733，2980，3452〕｝，columns〔用户ID，日期，城市，年龄，性别，成交量〕）df1
　　构造构造列名不同的df2df2pd。DataFrame（｛id：〔1001，1002，1003，1004，1005，1006，1007，1008，1009，1010〕，平台：〔京东，淘宝，京东，天猫，唯品会，苏宁，天猫，淘宝，美团，拼多多〕，收入额：〔100000，320000，240000，445000，340000，640000，300000，460000，540000，230000〕｝，columns〔id，平台，收入额〕）df2
　　首先构建了两个连接键列名不同的数据集，需要分别指定lefton和righton进行连接，此处howleft是左连接。将df1和df2连接起来merge1pd。merge（leftdf1，rightdf2，howleft，lefton用户ID，rightonid）merge1
　　构造列名相同的df2，都有一个用户ID的列名。构造列名相同的df2df2pd。DataFrame（｛用户ID：〔1001，1002，1003，1004，1005，1006，1007，1008，1009，1010〕，平台：〔京东，淘宝，京东，天猫，唯品会，苏宁，天猫，淘宝，美团，拼多多〕，收入额：〔100000，320000，240000，445000，340000，640000，300000，460000，540000，230000〕，日期：pd。daterange（datetime。datetime（2021，3，1），periods10）｝，columns〔用户ID，平台，收入额，日期〕）df2
　　因为都有一个用户ID的列名，所以此处左连接时，不用分别指定左右键名，只需要用on指定就好。指定用户ID连接merge2pd。merge（leftdf1，rightdf2，howleft，on用户ID）merge2
　　suffixes对于重复的列名修改，作区分。重复列名处理merge2pd。merge（leftdf1，rightdf2，howleft，on用户ID，suffixes〔，1〕）merge2
　　通常表格拼接完成后，数据预处理后就可以对数据做分析了，对于数据分析所需要的的字段分析。dfmerge2〔〔用户ID，日期，城市，成交量，收入额〕〕df
　　查看字段的属性。df。info（）
　　做收入额的条形图。df〔收入额〕。plot（kindbar）