pandas.DataFrame.combine#

DataFrame.combine(other, func, fill_value=None, overwrite=True)[源代码][源代码]#

与另一个 DataFrame 执行按列合并。

使用 func 逐元素组合列，将一个 DataFrame 与 other DataFrame 合并。结果 DataFrame 的行和列索引将是两者的并集。

参数:

其他DataFrame: 要按列合并的 DataFrame。
函数函数: 接受两个序列作为输入并返回一个序列或标量的函数。用于按列合并两个数据框。
fill_value标量值，默认为 None: 在将任何列传递给合并函数之前填充NaN的值。
覆盖布尔值, 默认为 True: 如果为真，self 中不存在于 other 中的列将被 NaN 覆盖。

返回:

DataFrame: 提供的 DataFrame 的组合。

参见

DataFrame.combine_first: 合并两个 DataFrame 对象，并默认使用调用方法的框架中的非空值。

例子

使用一个简单的函数来组合，该函数选择较小的列。

>>> df1 = pd.DataFrame({"A": [0, 0], "B": [4, 4]})
>>> df2 = pd.DataFrame({"A": [1, 1], "B": [3, 3]})
>>> take_smaller = lambda s1, s2: s1 if s1.sum() < s2.sum() else s2
>>> df1.combine(df2, take_smaller)
   A  B
0  0  3
1  0  3

使用真正的逐元素组合函数的示例。

>>> df1 = pd.DataFrame({"A": [5, 0], "B": [2, 4]})
>>> df2 = pd.DataFrame({"A": [1, 1], "B": [3, 3]})
>>> df1.combine(df2, np.minimum)
   A  B
0  1  2
1  0  3

使用 fill_value 在将列传递给合并函数之前填充 Nones。

>>> df1 = pd.DataFrame({"A": [0, 0], "B": [None, 4]})
>>> df2 = pd.DataFrame({"A": [1, 1], "B": [3, 3]})
>>> df1.combine(df2, take_smaller, fill_value=-5)
   A    B
0  0 -5.0
1  0  4.0

然而，如果两个数据框中的相同元素都是 None，则该 None 会被保留。

>>> df1 = pd.DataFrame({"A": [0, 0], "B": [None, 4]})
>>> df2 = pd.DataFrame({"A": [1, 1], "B": [None, 3]})
>>> df1.combine(df2, take_smaller, fill_value=-5)
    A    B
0  0 -5.0
1  0  3.0

示例演示了 overwrite 的使用以及当数据框之间的轴不同时的行为。

>>> df1 = pd.DataFrame({"A": [0, 0], "B": [4, 4]})
>>> df2 = pd.DataFrame(
...     {
...         "B": [3, 3],
...         "C": [-10, 1],
...     },
...     index=[1, 2],
... )
>>> df1.combine(df2, take_smaller)
     A    B     C
0  NaN  NaN   NaN
1  NaN  3.0 -10.0
2  NaN  3.0   1.0

>>> df1.combine(df2, take_smaller, overwrite=False)
     A    B     C
0  0.0  NaN   NaN
1  0.0  3.0 -10.0
2  NaN  3.0   1.0

演示传递的数据帧的偏好。

>>> df2 = pd.DataFrame(
...     {
...         "B": [3, 3],
...         "C": [1, 1],
...     },
...     index=[1, 2],
... )
>>> df2.combine(df1, take_smaller)
   A    B   C
0  0.0  NaN NaN
1  0.0  3.0 NaN
2  NaN  3.0 NaN

>>> df2.combine(df1, take_smaller, overwrite=False)
     A    B   C
0  0.0  NaN NaN
1  0.0  3.0 1.0
2  NaN  3.0 1.0