如何用Pandas花式拼接表格数据

菜鸟学Python 菜鸟学Python 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 2.9k累计阅读 3k平均单平台 已同步平台 CSDN 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
转载 最新推荐文章于 2025-07-23 19:00:00 发布 2.9k 阅读 AI 写同款· GEO 优化 ›
Spark对两个列数不一致DataFrame进行上下拼接 之前已经在博客中介绍了spark的dataframe利用union 等一系列方法进行拼接，详情请见Spark中对Dataframe的union 、unionAll和 unionByName方法说明 但是在那篇博客也提到，利用union的这些方法，必须保证两个dataframe必须列数一致(unionByName方法还需要所有列名必须一致)。 那么如果如果dfA和dfB的列长度不一致，应该怎么去上下拼接呢？ val data2 = Seq( | ("1", null, "hlj", null), 阅读详情

640?wx_fmt=jpeg


通常来说，我们需要的数据不可能都来自同一张表格，所以了解如何对不同格式的表格进行拼接、合并是非常重要的。


本文将介绍Pandas库中常用的合并表格的方法，包括.append(), pd.concat(), pd.merge(), 并配合实例进行讲解。



01
上下拼接


用.append()【1】方法可以实现表格的上下拼接，一般来说它们会有相同的列名，比如，上下拼接两只股票的日线数据。

import tushare as tsimport pandas as pdpd.set_option('expand_frame_repr', False)  # 显示所有列ts.set_token('your token')pro = ts.pro_api()df = pro.daily(ts_code='000001.SZ', start_date='20180701', end_date='20180705')df1 = pro.daily(ts_code='000002.SZ', start_date='20180701', end_date='20180705')print(df)print(df1)     ts_code trade_date  open  high   low  close  pre_close  change  pct_chg         vol       amount0  000001.SZ   20180705  8.62  8.73  8.55   8.60       8.61   -0.01    -0.12   835768.77   722169.5791  000001.SZ   20180704  8.63  8.75  8.61   8.61       8.67   -0.06    -0.69   711153.37   617278.5592  000001.SZ   20180703  8.69  8.70  8.45   8.67       8.61    0.06     0.70  1274838.57  1096657.0333  000001.SZ   20180702  9.05  9.05  8.55   8.61       9.09   -0.48    -5.28  1315520.13  1158545.868     ts_code trade_date   open   high    low  close  pre_close  change  pct_chg        vol       amount0  000002.SZ   20180705  23.02  23.41  22.85  23.05      23.00    0.05     0.22  267278.61   619393.0071  000002.SZ   20180704  23.46  23.75  23.00  23.00      23.42   -0.42    -1.79  249881.03   582470.2142  000002.SZ   20180703  23.10  23.48  22.80  23.42      22.80    0.62     2.72  549964.88  1274023.5753  000002.SZ   20180702  24.50  24.55  22.52  22.80      24.60   -1.80    -7.32  846203.86  1981131.638print(df.append(df1))     ts_code trade_date   open   high    low  close  pre_close  change  pct_chg         vol       amount0  000001.SZ   20180705   8.62   8.73   8.55   8.60       8.61   -0.01    -0.12   835768.77   722169.5791  000001.SZ   20180704   8.63   8.75   8.61   8.61       8.67   -0.06    -0.69   711153.37   617278.5592  000001.SZ   20180703   8.69   8.70   8.45   8.67       8.61    0.06     0.70  1274838.57  1096657.0333  000001.SZ   20180702   9.05   9.05   8.55   8.61       9.09   -0.48    -5.28  1315520.13  1158545.8680  000002.SZ   20180705  23.02  23.41  22.85  23.05      23.00    0.05     0.22   267278.61   619393.0071  000002.SZ   20180704  23.46  23.75  23.00  23.00      23.42   -0.42    -1.79   249881.03   582470.2142  000002.SZ   20180703  23.10  23.48  22.80  23.42      22.80    0.62     2.72   549964.88  1274023.5753  000002.SZ   20180702  24.50  24.55  22.52  22.80      24.60   -1.80    -7.32   846203.86  1981131.638

pd.set_option('expand_frame_repr', False)  # 显示所有列
ts.set_token('your token')
pro = ts.pro_api()

df = pro.daily(ts_code='000001.SZ', start_date='20180701', end_date='20180705')
df1 = pro.daily(ts_code='000002.SZ', start_date='20180701', end_date='20180705')
print(df)
print(df1)


     ts_code trade_date  open  high   low  close  pre_close  change  pct_chg         vol       amount
0  000001.SZ   20180705  8.62  8.73  8.55   8.60       8.61   -0.01    -0.12   835768.77   722169.579
1  000001.SZ   20180704  8.63  8.75  8.61   8.61       8.67   -0.06    -0.69   711153.37   617278.559
2  000001.SZ   20180703  8.69  8.70  8.45   8.67       8.61    0.06     0.70  1274838.57  1096657.033
3  000001.SZ   20180702  9.05  9.05  8.55   8.61       9.09   -0.48    -5.28  1315520.13  1158545.868

     ts_code trade_date   open   high    low  close  pre_close  change  pct_chg        vol       amount
0  000002.SZ   20180705  23.02  23.41  22.85  23.05      23.00    0.05     0.22  267278.61   619393.007
1  000002.SZ   20180704  23.46  23.75  23.00  23.00      23.42   -0.42    -1.79  249881.03   582470.214
2  000002.SZ   20180703  23.10  23.48  22.80  23.42      22.80    0.62     2.72  549964.88  1274023.575
3  000002.SZ   20180702  24.50  24.55  22.52  22.80      24.60   -1.80    -7.32  846203.86  1981131.638

print(df.append(df1))

     ts_code trade_date   open   high    low  close  pre_close  change  pct_chg         vol       amount
0  000001.SZ   20180705   8.62   8.73   8.55   8.60       8.61   -0.01    -0.12   835768.77   722169.579
1  000001.SZ   20180704   8.63   8.75   8.61   8.61       8.67   -0.06    -0.69   711153.37   617278.559
2  000001.SZ   20180703   8.69   8.70   8.45   8.67       8.61    0.06     0.70  1274838.57  1096657.033
3  000001.SZ   20180702   9.05   9.05   8.55   8.61       9.09   -0.48    -5.28  1315520.13  1158545.868
0  000002.SZ   20180705  23.02  23.41  22.85  23.05      23.00    0.05     0.22   267278.61   619393.007
1  000002.SZ   20180704  23.46  23.75  23.00  23.00      23.42   -0.42    -1.79   249881.03   582470.214
2  000002.SZ   20180703  23.10  23.48  22.80  23.42      22.80    0.62     2.72   549964.88  1274023.575
3  000002.SZ   20180702  24.50  24.55  22.52  22.80      24.60   -1.80    -7.32   846203.86  1981131.638


表格df的数据在上，表格df1的数据在下，注意到拼接之后的索引并没有随新表更新，这一问题可以通过设置参数ignore_index=True来解决。

print(df.append(df1, ignore_index=True))     ts_code trade_date   open   high    low  close  pre_close  change  pct_chg         vol       amount0  000001.SZ   20180705   8.62   8.73   8.55   8.60       8.61   -0.01    -0.12   835768.77   722169.5791  000001.SZ   20180704   8.63   8.75   8.61   8.61       8.67   -0.06    -0.69   711153.37   617278.5592  000001.SZ   20180703   8.69   8.70   8.45   8.67       8.61    0.06     0.70  1274838.57  1096657.0333  000001.SZ   20180702   9.05   9.05   8.55   8.61       9.09   -0.48    -5.28  1315520.13  1158545.8684  000002.SZ   20180705  23.02  23.41  22.85  23.05      23.00    0.05     0.22   267278.61   619393.0075  000002.SZ   20180704  23.46  23.75  23.00  23.00      23.42   -0.42    -1.79   249881.03   582470.2146  000002.SZ   20180703  23.10  23.48  22.80  23.42      22.80    0.62     2.72   549964.88  1274023.5757  000002.SZ   20180702  24.50  24.55  22.52  22.80      24.60   -1.80    -7.32   846203.86  1981131.638

     ts_code trade_date   open   high    low  close  pre_close  change  pct_chg         vol       amount
0  000001.SZ   20180705   8.62   8.73   8.55   8.60       8.61   -0.01    -0.12   835768.77   722169.579
1  000001.SZ   20180704   8.63   8.75   8.61   8.61       8.67   -0.06    -0.69   711153.37   617278.559
2  000001.SZ   20180703   8.69   8.70   8.45   8.67       8.61    0.06     0.70  1274838.57  1096657.033
3  000001.SZ   20180702   9.05   9.05   8.55   8.61       9.09   -0.48    -5.28  1315520.13  1158545.868
4  000002.SZ   20180705  23.02  23.41  22.85  23.05      23.00    0.05     0.22   267278.61   619393.007
5  000002.SZ   20180704  23.46  23.75  23.00  23.00      23.42   -0.42    -1.79   249881.03   582470.214
6  000002.SZ   20180703  23.10  23.48  22.80  23.42      22.80    0.62     2.72   549964.88  1274023.575
7  000002.SZ   20180702  24.50  24.55  22.52  22.80      24.60   -1.80    -7.32   846203.86  1981131.638


如果想要批量拼接，可以写一个循环，如将截至某日的所有上市公司股票日线数据拼接成一个大表格，示例中选取的时间段为'20180101'-'20180105'，并只选取了前5只股票，效果如下。

df = pro.daily(trade_date='20180105')code_list = df['ts_code'].tolist()[:5]stock_data = pd.DataFrame()for code in code_list:    print(code)    df = pro.daily(ts_code=code, start_date='20180101', end_date='20180105')    stock_data = stock_data.append(df, ignore_index=True)print(stock_data)600863.SH000001.SZ000002.SZ000004.SZ000005.SZ      ts_code trade_date   open   high    low  close  pre_close  change  pct_chg         vol       amount0   600863.SH   20180105   3.04   3.04   3.00   3.01       3.02   -0.01    -0.33   101317.50    30551.9821   600863.SH   20180104   3.01   3.03   2.99   3.02       3.00    0.02     0.67   139274.37    41969.2492   600863.SH   20180103   2.99   3.01   2.98   3.00       2.98    0.02     0.67   113068.36    33859.8693   600863.SH   20180102   2.97   2.99   2.97   2.98       2.97    0.01     0.34    87204.89    25997.3384   000001.SZ   20180105  13.21  13.35  13.15  13.30      13.25    0.05     0.38  1210312.72  1603289.5175   000001.SZ   20180104  13.32  13.37  13.13  13.25      13.33   -0.08    -0.60  1854509.48  2454543.5166   000001.SZ   20180103  13.73  13.86  13.20  13.33      13.70   -0.37    -2.70  2962498.38  4006220.7667   000001.SZ   20180102  13.35  13.93  13.32  13.70      13.30    0.40     3.01  2081592.55  2856543.8228   000002.SZ   20180105  32.98  35.88  32.80  34.76      33.12    1.64     4.95   843101.96  2916787.8719   000002.SZ   20180104  32.76  33.53  32.10  33.12      32.33    0.79     2.44   529085.80  1740602.53310  000002.SZ   20180103  32.50  33.78  32.23  32.33      32.56   -0.23    -0.71   646870.20  2130249.69111  000002.SZ   20180102  31.45  32.99  31.45  32.56      31.06    1.50     4.83   683433.50  2218502.76612  000004.SZ   20180105  23.23  23.47  22.85  23.18      23.24   -0.06    -0.26    10444.04    24273.30713  000004.SZ   20180104  23.80  23.83  23.12  23.24      23.80   -0.56    -2.35    14540.66    33908.54814  000004.SZ   20180103  22.42  23.89  22.27  23.80      22.34    1.46     6.54    18795.39    43218.41615  000004.SZ   20180102  22.29  22.49  22.00  22.34      22.38   -0.04    -0.18     6261.81    13951.00416  000005.SZ   20180105   4.26   4.45   4.26   4.34       4.29    0.05     1.17    85226.27    37286.93517  000005.SZ   20180104   4.27   4.33   4.23   4.29       4.27    0.02     0.47    43809.78    18732.17818  000005.SZ   20180103   4.35   4.35   4.22   4.27       4.32   -0.05    -1.16    67990.65    28966.79119  000005.SZ   20180102   4.15   4.50   4.15   4.32       4.14    0.18     4.35    71539.34    30529.757
code_list = df['ts_code'].tolist()[:5]

stock_data = pd.DataFrame()
for code in code_list:
    print(code)
    df = pro.daily(ts_code=code, start_date='20180101', end_date='20180105')
    stock_data = stock_data.append(df, ignore_index=True)

print(stock_data)

600863.SH
000001.SZ
000002.SZ
000004.SZ
000005.SZ
      ts_code trade_date   open   high    low  close  pre_close  change  pct_chg         vol       amount
0   600863.SH   20180105   3.04   3.04   3.00   3.01       3.02   -0.01    -0.33   101317.50    30551.982
1   600863.SH   20180104   3.01   3.03   2.99   3.02       3.00    0.02     0.67   139274.37    41969.249
2   600863.SH   20180103   2.99   3.01   2.98   3.00       2.98    0.02     0.67   113068.36    33859.869
3   600863.SH   20180102   2.97   2.99   2.97   2.98       2.97    0.01     0.34    87204.89    25997.338
4   000001.SZ   20180105  13.21  13.35  13.15  13.30      13.25    0.05     0.38  1210312.72  1603289.517
5   000001.SZ   20180104  13.32  13.37  13.13  13.25      13.33   -0.08    -0.60  1854509.48  2454543.516
6   000001.SZ   20180103  13.73  13.86  13.20  13.33      13.70   -0.37    -2.70  2962498.38  4006220.766
7   000001.SZ   20180102  13.35  13.93  13.32  13.70      13.30    0.40     3.01  2081592.55  2856543.822
8   000002.SZ   20180105  32.98  35.88  32.80  34.76      33.12    1.64     4.95   843101.96  2916787.871
9   000002.SZ   20180104  32.76  33.53  32.10  33.12      32.33    0.79     2.44   529085.80  1740602.533
10  000002.SZ   20180103  32.50  33.78  32.23  32.33      32.56   -0.23    -0.71   646870.20  2130249.691
11  000002.SZ   20180102  31.45  32.99  31.45  32.56      31.06    1.50     4.83   683433.50  2218502.766
12  000004.SZ   20180105  23.23  23.47  22.85  23.18      23.24   -0.06    -0.26    10444.04    24273.307
13  000004.SZ   20180104  23.80  23.83  23.12  23.24      23.80   -0.56    -2.35    14540.66    33908.548
14  000004.SZ   20180103  22.42  23.89  22.27  23.80      22.34    1.46     6.54    18795.39    43218.416
15  000004.SZ   20180102  22.29  22.49  22.00  22.34      22.38   -0.04    -0.18     6261.81    13951.004
16  000005.SZ   20180105   4.26   4.45   4.26   4.34       4.29    0.05     1.17    85226.27    37286.935
17  000005.SZ   20180104   4.27   4.33   4.23   4.29       4.27    0.02     0.47    43809.78    18732.178
18  000005.SZ   20180103   4.35   4.35   4.22   4.27       4.32   -0.05    -1.16    67990.65    28966.791
19  000005.SZ   20180102   4.15   4.50   4.15   4.32       4.14    0.18     4.35    71539.34    30529.757


用pd.concat()【2】也能实现上面的效果，同样通过设置参数ignore_index=True来解决索引问题，这里的axis=0为默认值，默认按行拼接。

print(pd.concat([df, df1], axis=0, ignore_index=True))     ts_code trade_date   open   high    low  close  pre_close  change  pct_chg         vol       amount0  000001.SZ   20180705   8.62   8.73   8.55   8.60       8.61   -0.01    -0.12   835768.77   722169.5791  000001.SZ   20180704   8.63   8.75   8.61   8.61       8.67   -0.06    -0.69   711153.37   617278.5592  000001.SZ   20180703   8.69   8.70   8.45   8.67       8.61    0.06     0.70  1274838.57  1096657.0333  000001.SZ   20180702   9.05   9.05   8.55   8.61       9.09   -0.48    -5.28  1315520.13  1158545.8684  000002.SZ   20180705  23.02  23.41  22.85  23.05      23.00    0.05     0.22   267278.61   619393.0075  000002.SZ   20180704  23.46  23.75  23.00  23.00      23.42   -0.42    -1.79   249881.03   582470.2146  000002.SZ   20180703  23.10  23.48  22.80  23.42      22.80    0.62     2.72   549964.88  1274023.5757  000002.SZ   20180702  24.50  24.55  22.52  22.80      24.60   -1.80    -7.32   846203.86  1981131.638concat([df, df1], axis=0, ignore_index=True))

     ts_code trade_date   open   high    low  close  pre_close  change  pct_chg         vol       amount
0  000001.SZ   20180705   8.62   8.73   8.55   8.60       8.61   -0.01    -0.12   835768.77   722169.579
1  000001.SZ   20180704   8.63   8.75   8.61   8.61       8.67   -0.06    -0.69   711153.37   617278.559
2  000001.SZ   20180703   8.69   8.70   8.45   8.67       8.61    0.06     0.70  1274838.57  1096657.033
3  000001.SZ   20180702   9.05   9.05   8.55   8.61       9.09   -0.48    -5.28  1315520.13  1158545.868
4  000002.SZ   20180705  23.02  23.41  22.85  23.05      23.00    0.05     0.22   267278.61   619393.007
5  000002.SZ   20180704  23.46  23.75  23.00  23.00      23.42   -0.42    -1.79   249881.03   582470.214
6  000002.SZ   20180703  23.10  23.48  22.80  23.42      22.80    0.62     2.72   549964.88  1274023.575
7  000002.SZ   20180702  24.50  24.55  22.52  22.80      24.60   -1.80    -7.32   846203.86  1981131.638



02

左右拼接


pd.concat()不仅能够实现上下拼接，而且还能通过设置参数axis=1实现左右拼接。以拼接两个不同长度的表格为例，没有值的位置会自动填充为NaN。


print(df)     ts_code trade_date  close0  000001.SZ   20180705   8.601  000001.SZ   20180704   8.612  000001.SZ   20180703   8.673  000001.SZ   20180702   8.61print(df1)     ts_code trade_date  close0  000002.SZ   20180709  24.011  000002.SZ   20180706  23.212  000002.SZ   20180705  23.053  000002.SZ   20180704  23.004  000002.SZ   20180703  23.425  000002.SZ   20180702  22.80print(pd.concat([df, df1], axis=1))     ts_code trade_date  close    ts_code trade_date  close0  000001.SZ   20180705   8.60  000002.SZ   20180709  24.011  000001.SZ   20180704   8.61  000002.SZ   20180706  23.212  000001.SZ   20180703   8.67  000002.SZ   20180705  23.053  000001.SZ   20180702   8.61  000002.SZ   20180704  23.004        NaN        NaN    NaN  000002.SZ   20180703  23.425        NaN        NaN    NaN  000002.SZ   20180702  22.80

     ts_code trade_date  close
0  000001.SZ   20180705   8.60
1  000001.SZ   20180704   8.61
2  000001.SZ   20180703   8.67
3  000001.SZ   20180702   8.61

print(df1)

     ts_code trade_date  close
0  000002.SZ   20180709  24.01
1  000002.SZ   20180706  23.21
2  000002.SZ   20180705  23.05
3  000002.SZ   20180704  23.00
4  000002.SZ   20180703  23.42
5  000002.SZ   20180702  22.80

print(pd.concat([df, df1], axis=1))

     ts_code trade_date  close    ts_code trade_date  close
0  000001.SZ   20180705   8.60  000002.SZ   20180709  24.01
1  000001.SZ   20180704   8.61  000002.SZ   20180706  23.21
2  000001.SZ   20180703   8.67  000002.SZ   20180705  23.05
3  000001.SZ   20180702   8.61  000002.SZ   20180704  23.00
4        NaN        NaN    NaN  000002.SZ   20180703  23.42
5        NaN        NaN    NaN  000002.SZ   20180702  22.80


如果想要按列拼接有相同索引的行，可以设置参数join='inner'，设置参数sort=True升序排列。以两个索引为时间的表格为例，效果如下。

print(df)              ts_code  closetrade_date                  20180705    000001.SZ   8.6020180704    000001.SZ   8.6120180703    000001.SZ   8.6720180702    000001.SZ   8.61print(df1)              ts_code  closetrade_date                  20180709    000002.SZ  24.0120180706    000002.SZ  23.2120180705    000002.SZ  23.0520180704    000002.SZ  23.0020180703    000002.SZ  23.4220180702    000002.SZ  22.80print(pd.concat([df, df1], axis=1, join='inner', sort=True))              ts_code  close    ts_code  closetrade_date                                    20180702    000001.SZ   8.61  000002.SZ  22.8020180703    000001.SZ   8.67  000002.SZ  23.4220180704    000001.SZ   8.61  000002.SZ  23.0020180705    000001.SZ   8.60  000002.SZ  23.05

              ts_code  close
trade_date                  
20180705    000001.SZ   8.60
20180704    000001.SZ   8.61
20180703    000001.SZ   8.67
20180702    000001.SZ   8.61

print(df1)

              ts_code  close
trade_date                  
20180709    000002.SZ  24.01
20180706    000002.SZ  23.21
20180705    000002.SZ  23.05
20180704    000002.SZ  23.00
20180703    000002.SZ  23.42
20180702    000002.SZ  22.80

print(pd.concat([df, df1], axis=1, join='inner', sort=True))

              ts_code  close    ts_code  close
trade_date                                    
20180702    000001.SZ   8.61  000002.SZ  22.80
20180703    000001.SZ   8.67  000002.SZ  23.42
20180704    000001.SZ   8.61  000002.SZ  23.00
20180705    000001.SZ   8.60  000002.SZ  23.05

03 
合并表格


pd.merge()【3】方法可以实现表格之间的合并操作，类似于SQL中的连接JOIN的用法。通过设置参数how='left', 'right', 'outer', 'inner'，默认为 'inner' ，实现不同形式的合并。

640?wx_fmt=png

how='inner'


设置参数on='trade_date' 表示两个表格将按照列'trade_date' 中的值进行合并，当参数how为默认值'inner'时，结果和用pd.concat()方法设置参数join='inner'得到的类似。

区别在于，pd.merge()操作会自动为合并前有相同列名、不同值的列名添加后缀，以便我们进行区分，如下所示的'close_x'和'close_y'。


如果想要让后缀名变得更有意义，可以通过设置参数suffixes=['_000001', '_000002']实现。                  

print(df)              ts_code  closetrade_date                  20180705    000001.SZ   8.6020180704    000001.SZ   8.6120180703    000001.SZ   8.6720180702    000001.SZ   8.61print(df1)              ts_code  closetrade_date                  20180709    000002.SZ  24.0120180706    000002.SZ  23.2120180705    000002.SZ  23.0520180704    000002.SZ  23.0020180703    000002.SZ  23.4220180702    000002.SZ  22.80print(df.merge(df1, on='trade_date', sort=True))            ts_code_x  close_x  ts_code_y  close_ytrade_date                                        20180702    000001.SZ     8.61  000002.SZ    22.8020180703    000001.SZ     8.67  000002.SZ    23.4220180704    000001.SZ     8.61  000002.SZ    23.0020180705    000001.SZ     8.60  000002.SZ    23.05print(df.merge(df1, on='trade_date', sort=True, suffixes=['_000001', '_000002']))           ts_code_000001  close_000001 ts_code_000002  close_000002trade_date                                                          20180702        000001.SZ          8.61      000002.SZ         22.8020180703        000001.SZ          8.67      000002.SZ         23.4220180704        000001.SZ          8.61      000002.SZ         23.0020180705        000001.SZ          8.60      000002.SZ         23.05

              ts_code  close
trade_date                  
20180705    000001.SZ   8.60
20180704    000001.SZ   8.61
20180703    000001.SZ   8.67
20180702    000001.SZ   8.61

print(df1)

              ts_code  close
trade_date                  
20180709    000002.SZ  24.01
20180706    000002.SZ  23.21
20180705    000002.SZ  23.05
20180704    000002.SZ  23.00
20180703    000002.SZ  23.42
20180702    000002.SZ  22.80

print(df.merge(df1, on='trade_date', sort=True))

            ts_code_x  close_x  ts_code_y  close_y
trade_date                                        
20180702    000001.SZ     8.61  000002.SZ    22.80
20180703    000001.SZ     8.67  000002.SZ    23.42
20180704    000001.SZ     8.61  000002.SZ    23.00
20180705    000001.SZ     8.60  000002.SZ    23.05

print(df.merge(df1, on='trade_date', sort=True, suffixes=['_000001', '_000002']))

           ts_code_000001  close_000001 ts_code_000002  close_000002
trade_date                                                          
20180702        000001.SZ          8.61      000002.SZ         22.80
20180703        000001.SZ          8.67      000002.SZ         23.42
20180704        000001.SZ          8.61      000002.SZ         23.00
20180705        000001.SZ          8.60      000002.SZ         23.05


如果两个表格中想要进行合并的列名不同，如下所示的表格df中的交易日期列名为'trade_date_stock'，表格df_index中的交易日期列名为'trade_date'，这时需要我们设置参数left_on和right_on指定要进行合并的列名。

print(df)     ts_code trade_date_stock  close0  000001.SZ         20180704   8.611  000001.SZ         20180703   8.672  000001.SZ         20180702   8.61print(df1)     ts_code trade_date      close0  399300.SZ   20180706  3365.12271  399300.SZ   20180705  3342.43792  399300.SZ   20180704  3363.74733  399300.SZ   20180703  3409.28014  399300.SZ   20180702  3407.9638print(df.merge(df_index, left_on='trade_date_stock', right_on='trade_date', sort=True))   ts_code_x trade_date_stock  close_x  ts_code_y trade_date    close_y0  000001.SZ         20180702     8.61  399300.SZ   20180702  3407.96381  000001.SZ         20180703     8.67  399300.SZ   20180703  3409.28012  000001.SZ         20180704     8.61  399300.SZ   20180704  3363.7473

     ts_code trade_date_stock  close
0  000001.SZ         20180704   8.61
1  000001.SZ         20180703   8.67
2  000001.SZ         20180702   8.61

print(df1)

     ts_code trade_date      close
0  399300.SZ   20180706  3365.1227
1  399300.SZ   20180705  3342.4379
2  399300.SZ   20180704  3363.7473
3  399300.SZ   20180703  3409.2801
4  399300.SZ   20180702  3407.9638

print(df.merge(df_index, left_on='trade_date_stock', right_on='trade_date', sort=True))

   ts_code_x trade_date_stock  close_x  ts_code_y trade_date    close_y
0  000001.SZ         20180702     8.61  399300.SZ   20180702  3407.9638
1  000001.SZ         20180703     8.67  399300.SZ   20180703  3409.2801
2  000001.SZ         20180704     8.61  399300.SZ   20180704  3363.7473

参数on也可以传入一个包含多个列名的list，如['ts_code', 'trade_date']，此时在默认how='inner'的情况下, 合并后只会返回['ts_code', 'trade_date']值在两个表格中都相等的行。

print(df)     ts_code trade_date  close0  000001.SZ   20180706   8.661  000001.SZ   20180705   8.602  000001.SZ   20180704   8.613  000001.SZ   20180703   8.674  000001.SZ   20180702   8.61print(df1)     ts_code trade_date  turnover_rate  volume_ratio      pe      pb0  000001.SZ   20180702         0.7662          1.28  6.3753  0.72670  000001.SZ   20180703         0.7425          1.21  6.4197  0.7318combined = pd.merge(left=df, right=df1, on=['ts_code', 'trade_date'], sort=True)print(combined)     ts_code trade_date  close  turnover_rate  volume_ratio      pe      pb0  000001.SZ   20180702   8.61         0.7662          1.28  6.3753  0.72671  000001.SZ   20180703   8.67         0.7425          1.21  6.4197  0.7318

     ts_code trade_date  close
0  000001.SZ   20180706   8.66
1  000001.SZ   20180705   8.60
2  000001.SZ   20180704   8.61
3  000001.SZ   20180703   8.67
4  000001.SZ   20180702   8.61

print(df1)

     ts_code trade_date  turnover_rate  volume_ratio      pe      pb
0  000001.SZ   20180702         0.7662          1.28  6.3753  0.7267
0  000001.SZ   20180703         0.7425          1.21  6.4197  0.7318

combined = pd.merge(left=df, right=df1, on=['ts_code', 'trade_date'], sort=True)
print(combined)

     ts_code trade_date  close  turnover_rate  volume_ratio      pe      pb
0  000001.SZ   20180702   8.61         0.7662          1.28  6.3753  0.7267
1  000001.SZ   20180703   8.67         0.7425          1.21  6.4197  0.7318

我们还可以通过设置参数how='left', how='right', how='outer', 分别进行左连接、右连接和外连接。

640?wx_fmt=png

how='left'


左连接的示意图如上所示，从下面示例代码返回的结果可以观察到，左连接会保留左侧表格的所有数据，以及两个表格按照on设置的条件合并后重合的部分，没有数据的地方会自动填充NaN值。

print(df)     ts_code trade_date  close0  000001.SZ   20180706   8.661  000001.SZ   20180705   8.602  000001.SZ   20180704   8.613  000001.SZ   20180703   8.674  000001.SZ   20180702   8.61print(df1)     ts_code trade_date  turnover_rate  volume_ratio      pe      pb0  000001.SZ   20180702         0.7662          1.28  6.3753  0.72670  000001.SZ   20180703         0.7425          1.21  6.4197  0.7318combined = pd.merge(df, df1, how='left', on=['ts_code', 'trade_date'], sort=True)print(combined)     ts_code trade_date  close  turnover_rate  volume_ratio      pe      pb0  000001.SZ   20180702   8.61         0.7662          1.28  6.3753  0.72671  000001.SZ   20180703   8.67         0.7425          1.21  6.4197  0.73182  000001.SZ   20180704   8.61            NaN           NaN     NaN     NaN3  000001.SZ   20180705   8.60            NaN           NaN     NaN     NaN4  000001.SZ   20180706   8.66            NaN           NaN     NaN     NaN
     ts_code trade_date  close
0  000001.SZ   20180706   8.66
1  000001.SZ   20180705   8.60
2  000001.SZ   20180704   8.61
3  000001.SZ   20180703   8.67
4  000001.SZ   20180702   8.61

print(df1)

     ts_code trade_date  turnover_rate  volume_ratio      pe      pb
0  000001.SZ   20180702         0.7662          1.28  6.3753  0.7267
0  000001.SZ   20180703         0.7425          1.21  6.4197  0.7318

combined = pd.merge(df, df1, how='left', on=['ts_code', 'trade_date'], sort=True)
print(combined)

     ts_code trade_date  close  turnover_rate  volume_ratio      pe      pb
0  000001.SZ   20180702   8.61         0.7662          1.28  6.3753  0.7267
1  000001.SZ   20180703   8.67         0.7425          1.21  6.4197  0.7318
2  000001.SZ   20180704   8.61            NaN           NaN     NaN     NaN
3  000001.SZ   20180705   8.60            NaN           NaN     NaN     NaN
4  000001.SZ   20180706   8.66            NaN           NaN     NaN     NaN


640?wx_fmt=png

how='right'


同理，右连接则会保留右侧表格的所有数据，以及两个表格按照on设置的条件合并后重合的部分，没有数据的地方会自动填充NaN值。

print(df)     ts_code trade_date  close0  000001.SZ   20180706   8.661  000001.SZ   20180705   8.602  000001.SZ   20180704   8.613  000001.SZ   20180703   8.674  000001.SZ   20180702   8.61print(df1)     ts_code trade_date  turnover_rate  volume_ratio      pe      pb0  000001.SZ   20180702         0.7662          1.28  6.3753  0.72670  000001.SZ   20180703         0.7425          1.21  6.4197  0.7318combined = pd.merge(df, df1, how='right', on=['ts_code', 'trade_date'], sort=True)print(combined)     ts_code trade_date  close  turnover_rate  volume_ratio      pe      pb0  000001.SZ   20180702   8.61         0.7662          1.28  6.3753  0.72671  000001.SZ   20180703   8.67         0.7425          1.21  6.4197  0.7318

     ts_code trade_date  close
0  000001.SZ   20180706   8.66
1  000001.SZ   20180705   8.60
2  000001.SZ   20180704   8.61
3  000001.SZ   20180703   8.67
4  000001.SZ   20180702   8.61

print(df1)

     ts_code trade_date  turnover_rate  volume_ratio      pe      pb
0  000001.SZ   20180702         0.7662          1.28  6.3753  0.7267
0  000001.SZ   20180703         0.7425          1.21  6.4197  0.7318

combined = pd.merge(df, df1, how='right', on=['ts_code', 'trade_date'], sort=True)
print(combined)

     ts_code trade_date  close  turnover_rate  volume_ratio      pe      pb
0  000001.SZ   20180702   8.61         0.7662          1.28  6.3753  0.7267
1  000001.SZ   20180703   8.67         0.7425          1.21  6.4197  0.7318

640?wx_fmt=png

how='outer'


外连接的示意图如上所示，返回满足合并条件的所有行，没有数据的地方会自动填充NaN值。
print(df)    ts_code trade_date  close0  000001.SZ   20180706   8.661  000001.SZ   20180705   8.602  000001.SZ   20180704   8.613  000001.SZ   20180703   8.674  000001.SZ   20180702   8.61print(df1)     ts_code trade_date  turnover_rate  volume_ratio      pe      pb0  000001.SZ   20180706         0.5756          1.03  6.4123  0.73090  000001.SZ   20180709         0.8212          1.38  6.6863  0.76210  000001.SZ   20180710         0.5223          0.86  6.6493  0.7579combined = pd.merge(df, df1, how='outer', on=['ts_code', 'trade_date'], sort=True)print(combined)     ts_code trade_date  close  turnover_rate  volume_ratio      pe      pb0  000001.SZ   20180702   8.61            NaN           NaN     NaN     NaN1  000001.SZ   20180703   8.67            NaN           NaN     NaN     NaN2  000001.SZ   20180704   8.61            NaN           NaN     NaN     NaN3  000001.SZ   20180705   8.60            NaN           NaN     NaN     NaN4  000001.SZ   20180706   8.66         0.5756          1.03  6.4123  0.73095  000001.SZ   20180709    NaN         0.8212          1.38  6.6863  0.76216  000001.SZ   20180710    NaN         0.5223          0.86  6.6493  0.7579
    ts_code trade_date  close
0  000001.SZ   20180706   8.66
1  000001.SZ   20180705   8.60
2  000001.SZ   20180704   8.61
3  000001.SZ   20180703   8.67
4  000001.SZ   20180702   8.61

print(df1)

     ts_code trade_date  turnover_rate  volume_ratio      pe      pb
0  000001.SZ   20180706         0.5756          1.03  6.4123  0.7309
0  000001.SZ   20180709         0.8212          1.38  6.6863  0.7621
0  000001.SZ   20180710         0.5223          0.86  6.6493  0.7579

combined = pd.merge(df, df1, how='outer', on=['ts_code', 'trade_date'], sort=True)
print(combined)

     ts_code trade_date  close  turnover_rate  volume_ratio      pe      pb
0  000001.SZ   20180702   8.61            NaN           NaN     NaN     NaN
1  000001.SZ   20180703   8.67            NaN           NaN     NaN     NaN
2  000001.SZ   20180704   8.61            NaN           NaN     NaN     NaN
3  000001.SZ   20180705   8.60            NaN           NaN     NaN     NaN
4  000001.SZ   20180706   8.66         0.5756          1.03  6.4123  0.7309
5  000001.SZ   20180709    NaN         0.8212          1.38  6.6863  0.7621
6  000001.SZ   20180710    NaN         0.5223          0.86  6.6493  0.7579

04
总结

本文介绍了Pandas中常用的合并表格的方法，分别为.append(), pd.concat()和pd.merge()，我们观察到，通过设置不同的参数值，可以对表格进行不同形式的拼接、合并操作。


  
        

    

  






  




  

    
  




  


  
    
      python股票数据获取及保存、读取
      Tushare获取数据
导入包：import tushare as ts
#token=‘自己的token’#登录Tushare 查看自己的token
#pro = ts.pro_api(token)
pro.daily(ts_code=‘股票代码’, start_date=‘开始时间’, end_date=‘结束时间’)#
将数据保存为CSV…文件
data.to_csv或excel（‘路径\文件名.csv或xlsx’,index=False）

index=False告诉计算机保存的时候不生成0，1,2
    
    阅读详情
  




    

      

        
相关推荐

        
      

      

          
            
[Pandas 中的 DataFrame 拼接、筛选和修改操作全解析]

              
Pandas 中的 DataFrame 拼接、筛选和修改操作全解析]在 Pandas 中，DataFrame 是非常重要的数据结构之一。不同于 Series，DataFrame 可以包含多列数据，并且每一列数据类型可以不同。因此，DataFrame 可以看做是由若干个 Series 组成的集合。在实际数据处理中，我们需要对 DataFrame 进行拼接、筛选和修改等操作。本文将详细介绍 Pandas 中的 DataFrame 拼接、筛选和修改操作，帮助您更好地掌握 DataFrame 的使用。

            

                .
                
                  
                    1039
                
            

          
          
            
python 数据合并函数merge( )_DataFrame 数据合并实现(merge，join，concat)

              
mergemerge 函数通过一个或多个键将数据集的行连接起来。场景：针对同一个主键存在的两张包含不同特征的表，通过主键的链接，将两张表进行合并。合并之后，两张表的行数不增加，列数是两张表的列数之和。def merge(left, right, how='inner', on=None, left_on=None, right_on=None,left_index=False, right_ind...

            

                weixin_39986171的博客
                
                  
                    1016
                
            

          
          
            
大数据(四)：Pandas的基础应用详解

              
Pandas是Wes McKinney在2008年开发的一个强大的**分析结构化数据**的工具集。Pandas以NumPy为基础（数据表示和运算），提供了用于数据处理的函数和方法，对数据分析和数据挖掘提供了很好的支持；同时Pandas还可以跟数据可视化工具Matplotlib很好的整合在一起，非常轻松愉快的实现数据的可视化展示。

            

                ml202187的博客
                
                  
                    1637
                
            

          
          
            
Pandas数据合并与拼接的5种方法

              
Pandas数据合并与拼接的5种方法。必须存在于左右两个DataFrame中，如果没有指定且其他参数也没有指定，则以两个DataFrame列名交集作为连接键；suffixes：字符串值组成的元组，用于指定当左右DataFrame存在相同列名时在列名后面附加的后缀名称，默认为('_x', '_y')；left_on：左侧DataFrame中用于连接键的列名，这个参数左右列名不同但代表的含义相同时非常的有用；没有指定连接键，默认用重叠列名，没有指定连接方式，默认inner内连接（取key的交集）

            

                铁盒薄荷糖的博客
                
                  
                    2万+
                
            

          
          
            
dataframe 上下拼接_如何用Pandas花式拼接表格数据

              
通常来说，我们需要的数据不可能都来自同一张表格，所以了解如何对不同格式的表格进行拼接、合并是非常重要的。本文将介绍Pandas库中常用的合并表格的方法，包括.append(), pd.concat(), pd.merge(),并配合实例进行讲解。01上下拼接用.append()【1】方法可以实现表格的上下拼接，一般来说它们会有相同的列名，比如，上下拼接两只股票的日线数据。import...

            

                weixin_31931045的博客
                
                  
                    3336
                
            

          
          
            
Pandas花式拼接表格数据（转）

              
如何用Pandas花式拼接表格数据

通常来说，我们需要的数据不可能都来自同一张表格，所以了解如何对不同格式的表格进行拼接、合并是非常重要的。

本文将介绍Pandas库中常用的合并表格的方法，包括.append(), pd.concat(), pd.merge(),并配合实例进行讲解。

01

上下拼接

用.append()【1】方法可以实现表格的上下拼接，一般来说它们会有相同的列名，比如...

            

                zh_geo的专栏
                
                  
                    901
                
            

          
          
            
dataframe 拼接_如何用Pandas花式拼接表格数据

              
源：菜鸟学Python通常来说，我们需要的数据不可能都来自同一张表格，所以了解如何对不同格式的表格进行拼接、合并是非常重要的。本文将介绍Pandas库中常用的合并表格的方法，包括.append(), pd.concat(), pd.merge(), 并配合实例进行讲解。01上下拼接用.append()【1】方法可以实现表格的上下拼接，一般来说它们会有相同的列名，比如，上下拼接两只股票的日线数据。i...

            

                weixin_39906114的博客
                
                  
                    256
                
            

          
          
            
jqgrid如何渲染表格数据_如何用Pandas花式拼接表格数据

              
源：菜鸟学Python通常来说，我们需要的数据不可能都来自同一张表格，所以了解如何对不同格式的表格进行拼接、合并是非常重要的。本文将介绍Pandas库中常用的合并表格的方法，包括.append(), pd.concat(), pd.merge(), 并配合实例进行讲解。01上下拼接用.append()【1】方法可以实现表格的上下拼接，一般来说它们会有相同的列名，比如，上下拼接两只股票的日线数据。i...

            

                weixin_42366954的博客
                
                  
                    101
                
            

          
          
            
dataframe 上下拼接_Python里的数据分析利器|用Pandas“花式拼接各种表格”

              
通常来说，我们需要的数据不可能都来自同一张表格，所以了解如何对不同格式的表格进行拼接、合并是非常重要的。本文将介绍Pandas库中常用的合并表格的方法，包括.append(), pd.concat(), pd.merge(),并配合实例进行讲解。01上下拼接用.append()【1】方法可以实现表格的上下拼接，一般来说它们会有相同的列名，比如，上下拼接两只股票的日线数据。import...

            

                weixin_39788986的博客
                
                  
                    5090
                
            

          
          
            
Python里的数据分析利器|用Pandas“花式拼接各种表格”

              
通常来说，我们需要的数据不可能都来自同一张表格，所以了解如何对不同格式的表格进行拼接、合并是非常重要的。本文将介绍Pandas库中常用的合并表格的方法，包括.append...

            

                cainiao_python的博客
                
                  
                    585
                
            

          
          
            
code vs 把所有行拼接成一行_Pandas必备技能之“花式拼接表格”

              
翻译整理 | Little monster来源 | 挖地兔Pandas必备技能之“花式拼接表格”通常来说，我们需要的数据不可能都来自同一张表格，所以了解如何对不同格式的表格进行拼接、合并是非常重要的。本文将介绍Pandas库中常用的合并表格的方法，包括.append(), pd.concat(), pd.merge(), 并配合实例进行讲解。【工具】Python 3【数据】Tushare【注】示例...

            

                weixin_27006759的博客
                
                  
                    375
                
            

          
          
            
快速开始 Pandas｜了解 Pandas 的数据结构并实现常用的表格操作

              
- 了解 Pandas 的数据结构对象
- 使用 Pandas 创建、读取或导出数据
- 查看或选择数据，对数据进行处理（选择，删除，分组，分类等）
- 表格处理，例如多表合并，改变表的数据结构
- 使用 Pandas 时间序列数据
- 结合 matplotlib 对 Pandas 数据进行绘图

            

                weixin_43262264的博客
                
                  
                    212
                
            

          
          
            
利用Python数据处理，numpy,pandas的入门（1）

              
NumPy（Numerical Python的简称）是Python科学计算的基础包。文章介绍内容都基于NumPy以及构建于其上的库。除了为Python提供快速的数组处理能力，NumPy在数据分析方面还有另外一个主要作用，即作为在算法和库之间传递数据的容器。对于数值型数据，NumPy数组在存储和处理数据时要比内置的Python数据结构高效得多。此外，由低级语言（比如C和Fortran）编写的库可以直接操作NumPy数组中的数据，无需进行任何数据复制工作。

            

                m0_60934891的博客
                
                  
                    1670
                
            

          
          
            
Pandas简明教程

              
简洁如斯，夫复何求！但是，对用户过分的迁就和溺爱，其实是一把双刃剑。正如Pandas之父Wes McKinney所说，Pandas正在背离他最初所期望的简洁和易用，变得越来越臃肿和不可控制。我非常认同Wes McKinney的观点，甚至觉得当Pandas抛弃了panel这个概念的时候，就已经走火入魔了。panel是Pandas最初为处理更高维数据提出的方案，非常接近HDF或者netCDF的理念。Pandas后来使用了“层次化索引”处理更高维数据，导致结构趋于复杂，使得程序员无法专注于事务逻辑的处理。

            

                Python作业辅导员 - 天元浪子
                
                  
                    1万+
                
            

          
          
            
Pandas的应用

              
Pandas 以 NumPy 为基础（实现数据存储和运算），提供了专门用于数据分析的类型、方法和函数，对数据分析和数据挖掘提供了很好的支持；同时 pandas 还可以跟数据可视化工具 matplotlib 很好的整合在一起，非常轻松愉快的实现数据可视化呈现。Pandas 核心的数据类型是Series（数据系列）、DataFrame（数据窗/数据框），分别用于处理一维和二维的数据，除此之外，还有一个名为Index的类型及其子类型，它们为Series和DataFrame提供了索引功能。日常工作中。

            

                xiongmaowangd的博客
                
                  
                    1569
                
            

          
          
            
【Python数据分析300个实用技巧】7.数据清洗与预处理之数据对齐终极指南：用Pandas合并非标准格式表格

              
点题：复杂业务场景需要自定义对齐规则束手无策现场# 需要根据多个条件匹配数据却不会写 # 比如根据姓名+生日+地址的复合键合并自定义解决方案# 创建复合键df['复合ID'] = df['姓名'] + df['生日'].astype(str) + df['地址']# 使用transform自定义逻辑df.groupby('部门').transform(lambda x: x.fillna(x.mode()[0]))小结：当标准方法失效时，自定义函数就是你的数据瑞士军刀。

            

                
                  
                    1153
                
            

          
          
            
【pandas数据分析】pandas概述

              
pandas是一个快速、强大、灵活且易于使用的开源数据分析和操作工具，构建在Python编程语言之上，其提供了快速、灵活和富有表达性的数据结构，旨在使得处理关系型或有标签的数据变得简单直观。它旨在成为在 Python 中进行实际的、真实的数据分析的基本高级构建块。此外，它还有更广泛的目标，即成为任何语言中最强大、最灵活的开源数据分析/操作工具。它已经在朝着这个目标迈进。

            

                不负热爱
                
                  
                    1781
                
            

          
          
            
Pandas：让数据驯服术变得像吃饭喝水一样自然！（附实战代码）

              
Pandas学起来像吃自助餐——开始觉得啥都想拿，结果盘子堆成山⛰️！先搞定DataFrame的增删改查，再练分组聚合，时间序列放最后。（别问我是怎么知道的，都是泪啊！（不用梯子就能看！“查文档 > 搜Stack Overflow > 喝口水重来”下次见！🎉。

            

                betabyte的博客
                
                  
                    1568
                
            

          
      

    


  

    

      上一篇：
      
        神器，GitHub2.5万星：视频网站一行Python代码爬
      
    

    

      下一篇：
      
        送书来了|Python数据分析必备工具书
      
    

  



            
  



          

          


  

    
    
    
    

      点赞
      
      
          5
      
    

    
    
      评论
      
            0
      
    
    
    

      书签
      书签
      
          19
      
    

    
    
    
    
    
    
  


            

            

              

              

            

            
        

        
          
          








  

    

      
          菜鸟学Python
      
      

        

          菜鸟学Python
        

        

            
              博客等级
            
            码龄9年
          7562粉丝
          571原创
        

      

    

    

          + 关注
    

  



      

      

        
      

      





	

		评论	
	

  

    

      

      

      

        
        

          
          

            

              成就一亿技术人!
            

            

              拼手气红包6.0元
            

          

        

        

          

            还能输入1000个字符
          

          

             
          

          

            

              表情包
              插入表情
              

                

              

            

            

              表情包
              代码片
              

                
              

            

            

              
              
              
              
              
              
              
            

          

        

      

    

		

			

			

			

					 条评论被折叠 查看
			

			

				
			

		

	

	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值