numpy和pandas中数组的合并和拆分

numpy和pandas中数组的合并和拆分

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]])