🔎 Как быстро склеить столбцы pandas без труда?

    import pandas as pd
    
    df1 = pd.DataFrame({'A': [1, 2, 3],
                        'B': [4, 5, 6]})
    df2 = pd.DataFrame({'C': [7, 8, 9],
                        'D': [10, 11, 12]})
    
    result = pd.concat([df1, df2], axis=1)
    print(result)
    

Как склеить столбцы pandas

Когда работаем с данными с помощью библиотеки pandas в Python, часто возникает необходимость объединения или склеивания столбцов. В этой статье мы рассмотрим различные способы, которые помогут вам достичь этой цели.

1. Использование оператора сложения

Простейший способ склеить столбцы pandas - это использование оператора сложения (+). В этом случае, значения двух столбцов будут просто сложены вместе. Давайте рассмотрим пример:

import pandas as pd

# Создание DataFrame с двумя столбцами
data = {'Столбец1': [1, 2, 3],
        'Столбец2': ['A', 'B', 'C']}
df = pd.DataFrame(data)

# Склеивание столбцов с помощью оператора сложения
df['Склеенный столбец'] = df['Столбец1'] + df['Столбец2']
    

В результате выполнения этого кода в DataFrame df будет добавлен новый столбец 'Склеенный столбец', содержащий результат сложения значений столбцов 'Столбец1' и 'Столбец2'.

2. Использование метода concat()

Еще один способ склеить столбцы - это использование метода concat() из библиотеки pandas. Этот метод позволяет объединить несколько столбцов в один. Пример:

import pandas as pd

# Создание DataFrame с двумя столбцами
data = {'Столбец1': [1, 2, 3],
        'Столбец2': ['A', 'B', 'C']}
df = pd.DataFrame(data)

# Склеивание столбцов с помощью метода concat()
df['Склеенный столбец'] = pd.concat([df['Столбец1'], df['Столбец2']], axis=1)
    

В результате выполнения этого кода в DataFrame df будет добавлен новый столбец 'Склеенный столбец', содержащий значения столбцов 'Столбец1' и 'Столбец2' в виде отдельных столбцов.

3. Использование метода join()

Метод join() также позволяет склеить столбцы. Он объединяет столбцы с помощью указанного разделителя. Рассмотрим пример:

import pandas as pd

# Создание DataFrame с двумя столбцами
data = {'Столбец1': [1, 2, 3],
        'Столбец2': ['A', 'B', 'C']}
df = pd.DataFrame(data)

# Склеивание столбцов с помощью метода join()
df['Склеенный столбец'] = df['Столбец1'].astype(str).join(df['Столбец2'], sep='-')
    

В данном примере метод .join() используется для склеивания значений столбцов 'Столбец1' и 'Столбец2' с помощью разделителя '-'.

4. Использование метода assign()

Метод assign() позволяет добавить новый столбец, склеенный из двух существующих столбцов. Пример:

import pandas as pd

# Создание DataFrame с двумя столбцами
data = {'Столбец1': [1, 2, 3],
        'Столбец2': ['A', 'B', 'C']}
df = pd.DataFrame(data)

# Склеивание столбцов с помощью метода assign()
df = df.assign(Склеенный_столбец=lambda x: x['Столбец1'].astype(str) + x['Столбец2'])
    

В этом примере мы используем метод .assign() для создания нового столбца 'Склеенный_столбец' путем склеивания значений столбцов 'Столбец1' и 'Столбец2'.

5. Использование метода merge()

Метод merge() позволяет объединить столбцы двух DataFrame по общему столбцу. Рассмотрим пример:

import pandas as pd

# Создание первого DataFrame
data1 = {'Столбец1': [1, 2, 3],
         'Столбец2': ['A', 'B', 'C']}
df1 = pd.DataFrame(data1)

# Создание второго DataFrame
data2 = {'Столбец3': ['X', 'Y', 'Z']}
df2 = pd.DataFrame(data2)

# Склеивание столбцов с помощью метода merge()
df = pd.merge(df1, df2, left_index=True, right_index=True)
    

В данном примере мы используем метод .merge() для объединения столбцов 'Столбец1' и 'Столбец2' из DataFrame df1 со столбцом 'Столбец3' из DataFrame df2. В результате получается новый DataFrame df с объединенными столбцами.

Заключение

В этой статье мы рассмотрели различные методы склеивания столбцов pandas, включая использование оператора сложения, методов concat(), join(), assign() и merge(). Каждый из этих методов имеет свои особенности и подходит для разных сценариев. Рекомендуется экспериментировать с разными методами, чтобы найти тот, который наилучшим образом соответствует вашим потребностям.