Notice

Recent Posts

Recent Comments

Link

Tags more

Archives

Today

Total

관리 메뉴

공부 기록

Pandas(0728_day4) - 실습_데이터 합치기 본문

playdata

Pandas(0728_day4) - 실습_데이터 합치기

_JAEJAE_ 2021. 7. 28. 22:27

데이터 프레임 연결(concatenate)

In [1]:

import pandas as pd

In [2]:

df1 = pd.DataFrame({'a': ['a0', 'a1', 'a2', 'a3'],
                    'b': ['b0', 'b1', 'b2', 'b3'],
                    'c': ['c0', 'c1', 'c2', 'c3']},
                    index=[0, 1, 2, 3])
 
df2 = pd.DataFrame({'a': ['a2', 'a3', 'a4', 'a5'],
                    'b': ['b2', 'b3', 'b4', 'b5'],
                    'c': ['c2', 'c3', 'c4', 'c5'],
                    'd': ['d2', 'd3', 'd4', 'd5']},
                    index=[2, 3, 4, 5])

In [3]:

df1

Out[3]:

	a	b	c
0	a0	b0	c0
1	a1	b1	c1
2	a2	b2	c2
3	a3	b3	c3

In [4]:

df2

Out[4]:

	a	b	c	d
2	a2	b2	c2	d2
3	a3	b3	c3	d3
4	a4	b4	c4	d4
5	a5	b5	c5	d5

In [5]:

# 2개의 데이터프레임을 위 아래 행 방향으로 이어 붙이듯 연결하기 
pd.concat([df1, df2])

Out[5]:

	a	b	c	d
0	a0	b0	c0	NaN
1	a1	b1	c1	NaN
2	a2	b2	c2	NaN
3	a3	b3	c3	NaN
2	a2	b2	c2	d2
3	a3	b3	c3	d3
4	a4	b4	c4	d4
5	a5	b5	c5	d5

In [7]:

# ignore_index=True 옵션 설정하기 
pd.concat([df1, df2], ignore_index=True)

Out[7]:

	a	b	c	d
0	a0	b0	c0	NaN
1	a1	b1	c1	NaN
2	a2	b2	c2	NaN
3	a3	b3	c3	NaN
4	a2	b2	c2	d2
5	a3	b3	c3	d3
6	a4	b4	c4	d4
7	a5	b5	c5	d5

In [8]:

# 2개의 데이터프레임을 좌우 열 방향으로 이어 붙이듯 연결하기 
pd.concat([df1, df2], axis=1)

Out[8]:

	a	b	c	a	b	c	d
0	a0	b0	c0	NaN	NaN	NaN	NaN
1	a1	b1	c1	NaN	NaN	NaN	NaN
2	a2	b2	c2	a2	b2	c2	d2
3	a3	b3	c3	a3	b3	c3	d3
4	NaN	NaN	NaN	a4	b4	c4	d4
5	NaN	NaN	NaN	a5	b5	c5	d5

In [11]:

# 두 데이터프레임에 모두 있는 행만 추출 (교집합)
pd.concat([df1, df2], axis=1, join='inner')

Out[11]:

	a	b	c	a	b	c	d
2	a2	b2	c2	a2	b2	c2	d2
3	a3	b3	c3	a3	b3	c3	d3

In [12]:

# 시리즈 만들기
sr1 = pd.Series(['e0', 'e1', 'e2', 'e3'], name='e')
sr2 = pd.Series(['f0', 'f1', 'f2'], name='f', index=[3, 4, 5])
sr3 = pd.Series(['g0', 'g1', 'g2', 'g3'], name='g')

In [13]:

sr1

Out[13]:

0    e0
1    e1
2    e2
3    e3
Name: e, dtype: object

In [14]:

sr2

Out[14]:

3    f0
4    f1
5    f2
Name: f, dtype: object

In [15]:

sr3

Out[15]:

0    g0
1    g1
2    g2
3    g3
Name: g, dtype: object

In [16]:

df1

Out[16]:

	a	b	c
0	a0	b0	c0
1	a1	b1	c1
2	a2	b2	c2
3	a3	b3	c3

In [17]:

# df1과 sr1을 좌우 열 방향으로 연결하기
pd.concat([df1, sr1], axis=1)

Out[17]:

	a	b	c	e
0	a0	b0	c0	e0
1	a1	b1	c1	e1
2	a2	b2	c2	e2
3	a3	b3	c3	e3

In [18]:

# df2과 sr2을 좌우 열 방향으로 연결하기(정렬)
pd.concat([df2, sr2], axis=1, sort=True)

Out[18]:

	a	b	c	d	f
2	a2	b2	c2	d2	NaN
3	a3	b3	c3	d3	f0
4	a4	b4	c4	d4	f1
5	a5	b5	c5	d5	f2

In [19]:

# sr1과 sr3을 좌우 열 방향으로 연결하기
pd.concat([sr1, sr3], axis=1)

Out[19]:

	e	g
0	e0	g0
1	e1	g1
2	e2	g2
3	e3	g3

In [20]:

# sr1과 sr3을 위 아래 행 방향으로 이어 붙이듯 연결하기
pd.concat([sr1, sr3])

Out[20]:

0    e0
1    e1
2    e2
3    e3
0    g0
1    g1
2    g2
3    g3
dtype: object

데이터 프레임 합치기 (merge)

In [69]:

import pandas as pd

# 주식 데이터를 가져와서 데이터프레임 만들기
df1 = pd.read_excel('stock price.xlsx')
df2 = pd.read_excel('stock valuation.xlsx')

In [70]:

df1

Out[70]:

	id	stock_name	value	price
0	128940	한미약품	59385.666667	421000
1	130960	CJ E&M	58540.666667	98900
2	138250	엔에스쇼핑	14558.666667	13200
3	139480	이마트	239230.833333	254500
4	142280	녹십자엠에스	468.833333	10200
5	145990	삼양사	82750.000000	82000
6	185750	종근당	40293.666667	100500
7	192400	쿠쿠홀딩스	179204.666667	177500
8	199800	툴젠	-2514.333333	115400
9	204210	모두투어리츠	3093.333333	3475

In [71]:

df2

Out[71]:

	id	name	eps	bps	per	pbr
0	130960	CJ E&M	6301.333333	54068	15.695091	1.829178
1	136480	하림	274.166667	3551	11.489362	0.887074
2	138040	메리츠금융지주	2122.333333	14894	6.313806	0.899691
3	139480	이마트	18268.166667	295780	13.931338	0.860437
4	145990	삼양사	5741.000000	108090	14.283226	0.758627
5	161390	한국타이어	5648.500000	51341	7.453306	0.820007
6	181710	NHN엔터테인먼트	2110.166667	78434	30.755864	0.827447
7	185750	종근당	3990.333333	40684	25.185866	2.470259
8	204210	모두투어리츠	85.166667	5335	40.802348	0.651359
9	207940	삼성바이오로직스	4644.166667	60099	89.790059	6.938551

In [72]:

# 데이터프레임 합치기 - 교집합
pd.merge(df1, df2)

Out[72]:

	id	stock_name	value	price	name	eps	bps	per	pbr
0	130960	CJ E&M	58540.666667	98900	CJ E&M	6301.333333	54068	15.695091	1.829178
1	139480	이마트	239230.833333	254500	이마트	18268.166667	295780	13.931338	0.860437
2	145990	삼양사	82750.000000	82000	삼양사	5741.000000	108090	14.283226	0.758627
3	185750	종근당	40293.666667	100500	종근당	3990.333333	40684	25.185866	2.470259
4	204210	모두투어리츠	3093.333333	3475	모두투어리츠	85.166667	5335	40.802348	0.651359

In [73]:

# 데이터프레임 합치기 - 합집합 
pd.merge(df1, df2, how='outer')

Out[73]:

	id	stock_name	value	price	name	eps	bps	per	pbr
0	128940	한미약품	59385.666667	421000.0	NaN	NaN	NaN	NaN	NaN
1	130960	CJ E&M	58540.666667	98900.0	CJ E&M	6301.333333	54068.0	15.695091	1.829178
2	138250	엔에스쇼핑	14558.666667	13200.0	NaN	NaN	NaN	NaN	NaN
3	139480	이마트	239230.833333	254500.0	이마트	18268.166667	295780.0	13.931338	0.860437
4	142280	녹십자엠에스	468.833333	10200.0	NaN	NaN	NaN	NaN	NaN
5	145990	삼양사	82750.000000	82000.0	삼양사	5741.000000	108090.0	14.283226	0.758627
6	185750	종근당	40293.666667	100500.0	종근당	3990.333333	40684.0	25.185866	2.470259
7	192400	쿠쿠홀딩스	179204.666667	177500.0	NaN	NaN	NaN	NaN	NaN
8	199800	툴젠	-2514.333333	115400.0	NaN	NaN	NaN	NaN	NaN
9	204210	모두투어리츠	3093.333333	3475.0	모두투어리츠	85.166667	5335.0	40.802348	0.651359
10	136480	NaN	NaN	NaN	하림	274.166667	3551.0	11.489362	0.887074
11	138040	NaN	NaN	NaN	메리츠금융지주	2122.333333	14894.0	6.313806	0.899691
12	161390	NaN	NaN	NaN	한국타이어	5648.500000	51341.0	7.453306	0.820007
13	181710	NaN	NaN	NaN	NHN엔터테인먼트	2110.166667	78434.0	30.755864	0.827447
14	207940	NaN	NaN	NaN	삼성바이오로직스	4644.166667	60099.0	89.790059	6.938551

In [74]:

# 데이터프레임 합치기 - 왼쪽 데이터프레임 기준, df1에서는 'stock_name', df2에서는 'name' 기준으로 합치기
pd.merge(df1, df2, how='left', left_on='stock_name', right_on='name')

Out[74]:

	id_x	stock_name	value	price	id_y	name	eps	bps	per	pbr
0	128940	한미약품	59385.666667	421000	NaN	NaN	NaN	NaN	NaN	NaN
1	130960	CJ E&M	58540.666667	98900	130960.0	CJ E&M	6301.333333	54068.0	15.695091	1.829178
2	138250	엔에스쇼핑	14558.666667	13200	NaN	NaN	NaN	NaN	NaN	NaN
3	139480	이마트	239230.833333	254500	139480.0	이마트	18268.166667	295780.0	13.931338	0.860437
4	142280	녹십자엠에스	468.833333	10200	NaN	NaN	NaN	NaN	NaN	NaN
5	145990	삼양사	82750.000000	82000	145990.0	삼양사	5741.000000	108090.0	14.283226	0.758627
6	185750	종근당	40293.666667	100500	185750.0	종근당	3990.333333	40684.0	25.185866	2.470259
7	192400	쿠쿠홀딩스	179204.666667	177500	NaN	NaN	NaN	NaN	NaN	NaN
8	199800	툴젠	-2514.333333	115400	NaN	NaN	NaN	NaN	NaN	NaN
9	204210	모두투어리츠	3093.333333	3475	204210.0	모두투어리츠	85.166667	5335.0	40.802348	0.651359

In [84]:

# 데이터프레임 합치기 - 오른쪽 데이터프레임 기준, df1에서는 'stock_name', df2에서는 'name' 기준으로 합치기
pd.merge(df1, df2, left_on = 'stock_name', right_on = 'name', how='right')

Out[84]:

	id_x	stock_name	value	price	id_y	name	eps	bps	per	pbr
0	130960.0	CJ E&M	58540.666667	98900.0	130960	CJ E&M	6301.333333	54068	15.695091	1.829178
1	NaN	NaN	NaN	NaN	136480	하림	274.166667	3551	11.489362	0.887074
2	NaN	NaN	NaN	NaN	138040	메리츠금융지주	2122.333333	14894	6.313806	0.899691
3	139480.0	이마트	239230.833333	254500.0	139480	이마트	18268.166667	295780	13.931338	0.860437
4	145990.0	삼양사	82750.000000	82000.0	145990	삼양사	5741.000000	108090	14.283226	0.758627
5	NaN	NaN	NaN	NaN	161390	한국타이어	5648.500000	51341	7.453306	0.820007
6	NaN	NaN	NaN	NaN	181710	NHN엔터테인먼트	2110.166667	78434	30.755864	0.827447
7	185750.0	종근당	40293.666667	100500.0	185750	종근당	3990.333333	40684	25.185866	2.470259
8	204210.0	모두투어리츠	3093.333333	3475.0	204210	모두투어리츠	85.166667	5335	40.802348	0.651359
9	NaN	NaN	NaN	NaN	207940	삼성바이오로직스	4644.166667	60099	89.790059	6.938551

데이터 프레임 결합

In [85]:

# 주식 데이터를 가져와서 데이터프레임 만들기
df1 = pd.read_excel('stock price.xlsx', index_col='id')
df2 = pd.read_excel('stock valuation.xlsx', index_col='id')

In [86]:

df1

Out[86]:

	stock_name	value	price
id
128940	한미약품	59385.666667	421000
130960	CJ E&M	58540.666667	98900
138250	엔에스쇼핑	14558.666667	13200
139480	이마트	239230.833333	254500
142280	녹십자엠에스	468.833333	10200
145990	삼양사	82750.000000	82000
185750	종근당	40293.666667	100500
192400	쿠쿠홀딩스	179204.666667	177500
199800	툴젠	-2514.333333	115400
204210	모두투어리츠	3093.333333	3475

In [87]:

df2

Out[87]:

	name	eps	bps	per	pbr
id
130960	CJ E&M	6301.333333	54068	15.695091	1.829178
136480	하림	274.166667	3551	11.489362	0.887074
138040	메리츠금융지주	2122.333333	14894	6.313806	0.899691
139480	이마트	18268.166667	295780	13.931338	0.860437
145990	삼양사	5741.000000	108090	14.283226	0.758627
161390	한국타이어	5648.500000	51341	7.453306	0.820007
181710	NHN엔터테인먼트	2110.166667	78434	30.755864	0.827447
185750	종근당	3990.333333	40684	25.185866	2.470259
204210	모두투어리츠	85.166667	5335	40.802348	0.651359
207940	삼성바이오로직스	4644.166667	60099	89.790059	6.938551

In [88]:

# 데이터프레임 인덱스를 기준으로 결합 (왼쪽 데이터 프레임 기준)
pd.merge(df1, df2, how='left', left_index=True, right_index=True)

Out[88]:

	stock_name	value	price	name	eps	bps	per	pbr
id
128940	한미약품	59385.666667	421000	NaN	NaN	NaN	NaN	NaN
130960	CJ E&M	58540.666667	98900	CJ E&M	6301.333333	54068.0	15.695091	1.829178
138250	엔에스쇼핑	14558.666667	13200	NaN	NaN	NaN	NaN	NaN
139480	이마트	239230.833333	254500	이마트	18268.166667	295780.0	13.931338	0.860437
142280	녹십자엠에스	468.833333	10200	NaN	NaN	NaN	NaN	NaN
145990	삼양사	82750.000000	82000	삼양사	5741.000000	108090.0	14.283226	0.758627
185750	종근당	40293.666667	100500	종근당	3990.333333	40684.0	25.185866	2.470259
192400	쿠쿠홀딩스	179204.666667	177500	NaN	NaN	NaN	NaN	NaN
199800	툴젠	-2514.333333	115400	NaN	NaN	NaN	NaN	NaN
204210	모두투어리츠	3093.333333	3475	모두투어리츠	85.166667	5335.0	40.802348	0.651359

In [89]:

df1.join(df2)

Out[89]:

	stock_name	value	price	name	eps	bps	per	pbr
id
128940	한미약품	59385.666667	421000	NaN	NaN	NaN	NaN	NaN
130960	CJ E&M	58540.666667	98900	CJ E&M	6301.333333	54068.0	15.695091	1.829178
138250	엔에스쇼핑	14558.666667	13200	NaN	NaN	NaN	NaN	NaN
139480	이마트	239230.833333	254500	이마트	18268.166667	295780.0	13.931338	0.860437
142280	녹십자엠에스	468.833333	10200	NaN	NaN	NaN	NaN	NaN
145990	삼양사	82750.000000	82000	삼양사	5741.000000	108090.0	14.283226	0.758627
185750	종근당	40293.666667	100500	종근당	3990.333333	40684.0	25.185866	2.470259
192400	쿠쿠홀딩스	179204.666667	177500	NaN	NaN	NaN	NaN	NaN
199800	툴젠	-2514.333333	115400	NaN	NaN	NaN	NaN	NaN
204210	모두투어리츠	3093.333333	3475	모두투어리츠	85.166667	5335.0	40.802348	0.651359

In [90]:

# 데이터프레임 인덱스를 기준으로 결합 (교집합)
pd.merge(df1, df2, how='inner', left_index=True, right_index=True)

Out[90]:

	stock_name	value	price	name	eps	bps	per	pbr
id
130960	CJ E&M	58540.666667	98900	CJ E&M	6301.333333	54068	15.695091	1.829178
139480	이마트	239230.833333	254500	이마트	18268.166667	295780	13.931338	0.860437
145990	삼양사	82750.000000	82000	삼양사	5741.000000	108090	14.283226	0.758627
185750	종근당	40293.666667	100500	종근당	3990.333333	40684	25.185866	2.470259
204210	모두투어리츠	3093.333333	3475	모두투어리츠	85.166667	5335	40.802348	0.651359

In [91]:

df1.join(df2, how='inner')

Out[91]:

	stock_name	value	price	name	eps	bps	per	pbr
id
130960	CJ E&M	58540.666667	98900	CJ E&M	6301.333333	54068	15.695091	1.829178
139480	이마트	239230.833333	254500	이마트	18268.166667	295780	13.931338	0.860437
145990	삼양사	82750.000000	82000	삼양사	5741.000000	108090	14.283226	0.758627
185750	종근당	40293.666667	100500	종근당	3990.333333	40684	25.185866	2.470259
204210	모두투어리츠	3093.333333	3475	모두투어리츠	85.166667	5335	40.802348	0.651359

In [ ]:

'playdata' 카테고리의 다른 글

ML(0804_day1) - 실습_붓꽃 데이터 품종 예측하기 (0)	2021.08.04
Pandas(0728_day4) - 실습_타이타닉 데이터셋 (0)	2021.07.28
Pandas(0728_day4) - 실습_자동차 연비 분석 (데이터 전처리 및 시각화) (0)	2021.07.28
Pandas(0728_day4) (0)	2021.07.28
Pandas(0727_day3) (0)	2021.07.27

'playdata' Related Articles

Comments

	a	b	c	d
0	a0	b0	c0	NaN
1	a1	b1	c1	NaN
2	a2	b2	c2	NaN
3	a3	b3	c3	NaN
2	a2	b2	c2	d2
3	a3	b3	c3	d3
4	a4	b4	c4	d4
5	a5	b5	c5	d5

	a	b	c	d
0	a0	b0	c0	NaN
1	a1	b1	c1	NaN
2	a2	b2	c2	NaN
3	a3	b3	c3	NaN
4	a2	b2	c2	d2
5	a3	b3	c3	d3
6	a4	b4	c4	d4
7	a5	b5	c5	d5

	a	b	c	a	b	c	d
0	a0	b0	c0	NaN	NaN	NaN	NaN
1	a1	b1	c1	NaN	NaN	NaN	NaN
2	a2	b2	c2	a2	b2	c2	d2
3	a3	b3	c3	a3	b3	c3	d3
4	NaN	NaN	NaN	a4	b4	c4	d4
5	NaN	NaN	NaN	a5	b5	c5	d5

« 2025/06 »
일	월	화	수	목	금	토
1	2	3	4	5	6	7
8	9	10	11	12	13	14
15	16	17	18	19	20	21
22	23	24	25	26	27	28
29	30

	a	b	c	d
0	a0	b0	c0	NaN
1	a1	b1	c1	NaN
2	a2	b2	c2	NaN
3	a3	b3	c3	NaN
2	a2	b2	c2	d2
3	a3	b3	c3	d3
4	a4	b4	c4	d4
5	a5	b5	c5	d5

	a	b	c	d
0	a0	b0	c0	NaN
1	a1	b1	c1	NaN
2	a2	b2	c2	NaN
3	a3	b3	c3	NaN
4	a2	b2	c2	d2
5	a3	b3	c3	d3
6	a4	b4	c4	d4
7	a5	b5	c5	d5

	a	b	c	a	b	c	d
0	a0	b0	c0	NaN	NaN	NaN	NaN
1	a1	b1	c1	NaN	NaN	NaN	NaN
2	a2	b2	c2	a2	b2	c2	d2
3	a3	b3	c3	a3	b3	c3	d3
4	NaN	NaN	NaN	a4	b4	c4	d4
5	NaN	NaN	NaN	a5	b5	c5	d5

공부 기록

Pandas(0728_day4) - 실습_데이터 합치기 본문

Pandas(0728_day4) - 실습_데이터 합치기

'playdata' 카테고리의 다른 글

티스토리툴바

	a	b	c	d
0	a0	b0	c0	NaN
1	a1	b1	c1	NaN
2	a2	b2	c2	NaN
3	a3	b3	c3	NaN
2	a2	b2	c2	d2
3	a3	b3	c3	d3
4	a4	b4	c4	d4
5	a5	b5	c5	d5

	a	b	c	d
0	a0	b0	c0	NaN
1	a1	b1	c1	NaN
2	a2	b2	c2	NaN
3	a3	b3	c3	NaN
4	a2	b2	c2	d2
5	a3	b3	c3	d3
6	a4	b4	c4	d4
7	a5	b5	c5	d5

	a	b	c	a	b	c	d
0	a0	b0	c0	NaN	NaN	NaN	NaN
1	a1	b1	c1	NaN	NaN	NaN	NaN
2	a2	b2	c2	a2	b2	c2	d2
3	a3	b3	c3	a3	b3	c3	d3
4	NaN	NaN	NaN	a4	b4	c4	d4
5	NaN	NaN	NaN	a5	b5	c5	d5