pd.concat()

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

1.1相同字段的表首尾相接

#将表构成list，然后作为concat的输入

frames = [df1,df2,df3]

results = pd.concat(frame)

要在相接的时候再加上一个层次的key来识别数据源自于哪张表，可以增加key参数

result = pd.concat(frames,keys=[‘x’,‘y’,‘z’])

1.2横向表拼接（行对齐）

1.2.1 axis

当axis = 1 的时候，concat就是行对齐，然后将不同列名称的两张表合并

result = pd.concat([df1,df4],axis = 1)

1.2.2 join

加上join参数的属性，如果为‘inner’得到的是两表的交集

如果是outer，得到的是两表的并集

result = pd.concat([df1,df4],axis=1,join=‘inner’)

1.2.3 join_axes
如果有join_axes的参数传入，可以指定根据那个轴来对齐数据

例如根据df1的表对齐数据，就会保留指定的df1表的轴，然后将df4的表与之拼接

result = pd.concat([df1,df4],axis=1,join_axes=[df1.index])

1.3 append函数
append是series和dataframe的方法，使用它就是默认沿着列进行凭借（axis = 0,列对齐）

result = df1.append(df2)

作者：w春风十里w
链接：https://www.jianshu.com/p/67ae0ccc1c39
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

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

report2

pd.concat([report1, report2], axis=0)

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()

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()

% matplotlib inline

trend.loc[:, [('zsyh', 'close'), ('sh', 'close')]].plot(kind='line', secondary_y=[('sh', 'close')])

ignore_index

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()

trend.rename(columns={2: 'zsyh_close', 9: 'sh_close'}, inplace=True)
trend.head()

trend.loc[:, ['zsyh_close', 'sh_close']].plot(kind='line', secondary_y=['sh_close'])