参数 pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)
objs 需要连接的对象，eg [df1, df2]
axis axis = 0, 表示在水平方向(row)进行连接 axis = 1, 表示在垂直方向(column)进行连接
join outer, 表示index全部需要; inner,表示只取index重合的部分
join_axes 传入需要保留的index
ignore_index 忽略需要连接的frame本身的index。当原本的index没有特别意义的时候可以使用
keys 可以给每个需要连接的df一个label
import pandas as pd
import tushare as ts
横向连接，axis = 0
比如说，当我们需要某只股票1月和7月前几天的交易数据
report1 = ts.get_k_data('600036', start='2017-01-01', end='2017-01-05')
report2 = ts.get_k_data('600036', start='2017-07-01', end='2017-07-05')
report1
image.png
report2
image.png
pd.concat([report1, report2], axis=0)
image.png
纵向连接，axis = 1
比如说，我们需要观察8月份某只股票与上证指数的走势对比
stock = ts.get_k_data('600036', start='2017-08-01', end='2017-08-31')
sh = ts.get_k_data('sh', start='2017-08-01', end='2017-08-31')
trend = pd.concat([stock, sh], axis=1)
trend.head()
image.png
column name 有重复，似乎不是很好处理
trend = pd.concat([stock, sh], axis=1, keys=['zsyh', 'sh'])
trend.head()
image.png
% matplotlib inline
trend.loc[:, [('zsyh', 'close'), ('sh', 'close')]].plot(kind='line', secondary_y=[('sh', 'close')])
image.png
上面使用了keys来创建了MultiIndexing,感觉还挺麻烦
现在换一种方法，来看看ignore_index的作用
trend = pd.concat([stock, sh], axis=1, ignore_index=True)
trend.head()
image.png
trend.rename(columns={2: 'zsyh_close', 9: 'sh_close'}, inplace=True)
trend.head()
image.png
trend.loc[:, ['zsyh_close', 'sh_close']].plot(kind='line', secondary_y=['sh_close'])
image.png