[Python-Numpy] -combining #2

Numpy 는 ndarray 를 이어붙이는 concatenate()함수 제공

arr = np.arange(12).reshape((3, 4))
arr
# <출력>
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [ 8,  9, 10, 11]])

 

 

▷

column 기준으로 병합

np.concatenate([arr, arr], axis=1)
# <출력>
# array([[ 0,  1,  2,  3,  0,  1,  2,  3],
#        [ 4,  5,  6,  7,  4,  5,  6,  7],
#        [ 8,  9, 10, 11,  8,  9, 10, 11]])

 

▷

s1 = pd.Series([0, 1], index=['a', 'b'])
s1
# <출력>
# a    0
# b    1
# dtype: int64

s2 = pd.Series([2, 3, 4], index=['c', 'd', 'e'])
s2
# <출력>
# c    2
# d    3
# e    4
# dtype: int64

s3 = pd.Series([5, 6], index=['f', 'g'])
s3
# <출력>
# f    5
# g    6
# dtype: int64

 

 

 

▷

concat()함수에 전달하면 값과 색인을 연결

pd.concat([s1, s2, s3])
# <출력>
# a    0
# b    1
# c    2
# d    3
# e    4
# f    5
# g    6
# dtype: int64

 

 

▷

# concat()함수는 axis=0 을 기본값으로 새로운 Series 객체를 생성
# 만약 axis=1 을 넘긴다면 결과는 DataFrame 이 된다(axis=1 은 컬럼을 의미)

pd.concat([s1, s2, s3], axis=1)
# <출력>
#      0    1    2
# a  0.0  NaN  NaN
# b  1.0  NaN  NaN
# c  NaN  2.0  NaN
# d  NaN  3.0  NaN
# e  NaN  4.0  NaN
# f  NaN  NaN  5.0
# g  NaN  NaN  6.0

 

 

▷

join='inner'옵션을 사용하여 교집합을 구할 수도 있다

# <s1>
# a    0
# b    1
# <s3>
# f    5
# g    6
s4 = pd.concat([s1, s3])
s4
# <출력>
# a    0
# b    1
# f    5
# g    6
# dtype: int64


pd.concat([s1, s4], axis=1)
# <출력>
#      0  1
# a  0.0  0
# b  1.0  1
# f  NaN  5
# g  NaN  6

pd.concat([s1, s4], axis=1, join='inner')
# <출력> 
#    0  1
# a  0  0
# b  1  1

 

 

 

▷

join_axes 인자로 병합하려는 축을 직접 지정

pd.concat([s1, s4], axis=1, join_axes=[['a', 'b', 'c', 'f']])
# join_axes : deprecated
# <출력>
#      0    1
# a  0.0  0.0
# b  1.0  1.0
# c  NaN  NaN
# f  NaN  5.0

 

 

▷

계층적 색인을 생성하려면 keys 인자 사용

result = pd.concat([s1, s1, s3], keys=['one', 'two', 'three'])
result
# <출력>
# one    a    0
#        b    1
# two    a    0
#        b    1
# three  f    5
#        g    6
# dtype: int64

result.unstack()
# <출력> 
#          a    b    f    g
# one    0.0  1.0  NaN  NaN
# two    0.0  1.0  NaN  NaN
# three  NaN  NaN  5.0  6.0

 

 

▷

axis=1 로 병합할 경우 keys 는 DataFrame 의 컬럼명이 된다.

pd.concat([s1, s2, s3], axis=1, keys=['one', 'two', 'three'])
# <출력>
#    one  two  three
# a  0.0  NaN    NaN
# b  1.0  NaN    NaN
# c  NaN  2.0    NaN
# d  NaN  3.0    NaN
# e  NaN  4.0    NaN
# f  NaN  NaN    5.0
# g  NaN  NaN    6.0

df1 = pd.DataFrame(np.arange(6).reshape(3, 2), index=['a', 'b', 'c'],  columns=['one', 'two'])
df2 = pd.DataFrame(5 + np.arange(4).reshape(2, 2), index=['a', 'c'],  columns=['three', 'four'])
df1
# <출력>
#    one  two
# a    0    1
# b    2    3
# c    4    5

df2
# <출력>
#    three  four
# a      5     6
# c      7     8

pd.concat([df1, df2], axis=1, keys=['level1', 'level2'])
# <출력>
#   level1     level2
#      one two  three four
# a      0   1    5.0  6.0
# b      2   3    NaN  NaN
# c      4   5    7.0  8.0

 

▷

리스트 대신 객체의 dict 를 이용하면 dict 의 키가 keys 옵션으로 사용된다.

pd.concat({'level1': df1, 'level2': df2}, axis=1)
# <출력>
#   level1     level2     
#      one two  three four
# a      0   1    5.0  6.0
# b      2   3    NaN  NaN
# c      4   5    7.0  8.0

 

 

 

▷

새로 생성된 계층 names 로 지정

pd.concat([df1, df2], axis=1, keys=['level1', 'level2'], names=['upper', 'lower'])
# <출력>
# upper level1     level2
# lower    one two  three four
# a          0   1    5.0  6.0
# b          2   3    NaN  NaN
# c          4   5    7.0  8.0

 

▷

DataFrame 의 로우색인이 분석에 필요한 데이터를 포함하고 있지 않은 경우

df1 = pd.DataFrame(np.random.randn(3, 4), columns=['a', 'b', 'c', 'd'])
df2 = pd.DataFrame(np.random.randn(2, 3), columns=['b', 'd', 'a'])

df1
# <출력>
#           a         b         c         d
# 0  1.246435  1.007189 -1.296221  0.274992
# 1  0.228913  1.352917  0.886429 -2.001637
# 2 -0.371843  1.669025 -0.438570 -0.539741

df2
# <출력>
#           b         d         a
# 0  0.476985  3.248944 -1.021228
# 1 -0.577087  0.124121  0.302614

 

▷

이 경우 ignore_index=True 옵션 사용

pd.concat([df1, df2], ignore_index=True) # row bind
# <출력>
#           a         b         c         d
# 0  1.246435  1.007189 -1.296221  0.274992
# 1  0.228913  1.352917  0.886429 -2.001637
# 2 -0.371843  1.669025 -0.438570 -0.539741
# 3 -1.021228  0.476985       NaN  3.248944
# 4  0.302614 -0.577087       NaN  0.124121