<\/p>\n
Die cbind-<\/strong> Funktion in R, kurz f\u00fcr columns-bind<\/em> , kann verwendet werden, um Datenrahmen anhand ihrer Spalten zu kombinieren.<\/span><\/p>\n Wir k\u00f6nnen die Funktion pandas concat()<\/a> verwenden, um die entsprechende Funktion in Python auszuf\u00fchren:<\/span><\/p>\n Die folgenden Beispiele zeigen, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n Nehmen wir an, wir haben die folgenden zwei Panda-DataFrames:<\/span><\/p>\n Mit der Funktion concat()<\/strong> k\u00f6nnen wir diese beiden DataFrames schnell anhand ihrer Spalten miteinander verkn\u00fcpfen:<\/span><\/p>\n Nehmen wir an, wir haben die folgenden zwei Panda-DataFrames:<\/span><\/p>\n Beachten Sie, dass die beiden DataFrames nicht die gleichen Indexwerte haben.<\/span><\/p>\n Wenn wir versuchen, sie mit der Funktion concat()<\/strong> miteinander zu verkn\u00fcpfen, erhalten wir das folgende Ergebnis:<\/span><\/p>\n Das ist nicht das Ergebnis, das wir wollten.<\/span><\/p>\n Um dieses Problem zu beheben, m\u00fcssen wir zun\u00e4chst den Index jedes DataFrames zur\u00fccksetzen, bevor wir sie miteinander verketten:<\/span><\/p>\n Beachten Sie, dass dieser DataFrame mit dem \u00fcbereinstimmt, den wir im vorherigen Beispiel erhalten haben.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere g\u00e4ngige Vorg\u00e4nge in Python ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie zwei Pandas DataFrames im Index zusammen Die cbind- Funktion in R, kurz f\u00fcr columns-bind , kann verwendet werden, um Datenrahmen anhand ihrer Spalten zu kombinieren. Wir k\u00f6nnen die Funktion pandas concat() verwenden, um die entsprechende Funktion in Python auszuf\u00fchren: df3 = pd. concat ([df1, df2], axis= 1 ) Die folgenden Beispiele zeigen, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen. […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n df3 = pd. concat<\/span> ([df1, df2], axis= 1<\/span> )\n<\/strong><\/pre>\n Beispiel 1: Verwenden Sie cbind in Python mit gleichen Indexwerten<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#define DataFrames\ndf1 = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'B', 'C', 'D', 'E'],\n ' points<\/span> ': [99, 91, 104, 88, 108]})\n\nprint<\/span> (df1)\n\n team points\n0 to 99\n1 B 91\n2 C 104\n3 D 88\n4 E 108\n\ndf2 = pd. DataFrame<\/span> ({' assists<\/span> ': ['A', 'B', 'C', 'D', 'E'],\n ' rebounds<\/span> ': [22, 19, 25, 33, 29]})\n\nprint<\/span> (df2)\n\n rebound assists\n0 to 22\n1 B 19\n2 C 25\n3 D 33\n4 E 29\n<\/span><\/span><\/strong><\/pre>\n #column-bind two DataFrames into new DataFrame\ndf3 = pd. concat<\/span> ([df1, df2], axis= 1<\/span> )\n\n#view resulting DataFrame<\/span>\ndf3\n\n\tteam points assists rebounds\n0 to 99 to 22\n1 B 91 B 19\n2 C 104 C 25\n3 D 88 D 33\n4 E 108 E 29<\/span><\/span><\/strong><\/pre>\n Beispiel 2: Verwendung von cbind in Python mit ungleichen Indexwerten<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#define DataFrames\ndf1 = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'B', 'C', 'D', 'E'],\n ' points<\/span> ': [99, 91, 104, 88, 108]})\n\nprint<\/span> (df1)\n\n team points\n0 to 99\n1 B 91\n2 C 104\n3 D 88\n4 E 108\n\ndf2 = pd. DataFrame<\/span> ({' assists<\/span> ': ['A', 'B', 'C', 'D', 'E'],\n ' rebounds<\/span> ': [22, 19, 25, 33, 29]})\n\ndf2. index<\/span> = [6, 7, 8, 9, 10]\n\nprint<\/span> (df2)\n\n rebound assists\n6 to 22\n7 B 19\n8 C 25\n9 D 33\n10 E 29\n<\/span><\/span><\/strong><\/pre>\n #attempt to column-bind two DataFrames\ndf3 = pd. concat<\/span> ([df1, df2], axis= 1<\/span> )\n\n#view resulting DataFrame\n<\/span>df3\n\n\tteam points assists rebounds\n0 to 99.0 NaN NaN\n1 B 91.0 NaN NaN\n2 C 104.0 NaN NaN\n3 D 88.0 NaN NaN\n4 E 108.0 NaN NaN\n6 NaN NaN A 22.0\n7 NaN NaN B 19.0\n8 NaN NaN C 25.0\n9 NaN NaN D 33.0\n10 NaN NaN E 29.0<\/span><\/span><\/strong><\/pre>\n import<\/span> pandas as<\/span> pd\n\n#define DataFrames\ndf1 = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'B', 'C', 'D', 'E'],\n ' points<\/span> ': [99, 91, 104, 88, 108]})\n\ndf2 = pd. DataFrame<\/span> ({' assists<\/span> ': ['A', 'B', 'C', 'D', 'E'],\n ' rebounds<\/span> ': [22, 19, 25, 33, 29]})\n\ndf2. index<\/span> = [6, 7, 8, 9, 10]\n\n#reset index of each DataFrame\n<\/span>df1. reset_index<\/span> (drop= True<\/span> , place= True<\/span> )\ndf2. reset_index<\/span> (drop= True<\/span> , place= True<\/span> )\n\n#column-bind two DataFrames\n<\/span>df3 = pd. concat<\/span> ([df1, df2], axis= 1<\/span> )\n\n#view resulting DataFrame\n<\/span>df3\n\n\tteam points assists rebounds\n0 to 99 to 22\n1 B 91 B 19\n2 C 104 C 25\n3 D 88 D 33\n4 E 108 E 29<\/span><\/span><\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie Pandas DataFrames \u00fcber mehrere Spalten hinweg zusammen<\/a>
So f\u00fchren Sie einen VLOOKUP in Pandas durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"