Python luar bergabung dengan dua kamus

panda menyediakan berbagai fasilitas untuk dengan mudah menggabungkan objek Seri, DataFrame, dan Panel dengan berbagai jenis logika set untuk indeks dan fungsi aljabar relasional dalam kasus operasi tipe gabungan/gabungan

Menggabungkan objek

Fungsi

Sebelum menyelami semua detail

In [1]: df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],
   ...:                     'B': ['B0', 'B1', 'B2', 'B3'],
   ...:                     'C': ['C0', 'C1', 'C2', 'C3'],
   ...:                     'D': ['D0', 'D1', 'D2', 'D3']},
   ...:                     index=[0, 1, 2, 3])
   ...: 

In [2]: df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'],
   ...:                     'B': ['B4', 'B5', 'B6', 'B7'],
   ...:                     'C': ['C4', 'C5', 'C6', 'C7'],
   ...:                     'D': ['D4', 'D5', 'D6', 'D7']},
   ...:                      index=[4, 5, 6, 7])
   ...: 

In [3]: df3 = pd.DataFrame({'A': ['A8', 'A9', 'A10', 'A11'],
   ...:                     'B': ['B8', 'B9', 'B10', 'B11'],
   ...:                     'C': ['C8', 'C9', 'C10', 'C11'],
   ...:                     'D': ['D8', 'D9', 'D10', 'D11']},
   ...:                     index=[8, 9, 10, 11])
   ...: 

In [4]: frames = [df1, df2, df3]

In [5]: result = pd.concat(frames)

Seperti fungsi saudaranya pada ndarrays,

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

• _17. urutan atau pemetaan objek Seri, DataFrame, atau Panel. Jika dict diteruskan, kunci yang diurutkan akan digunakan sebagai argumen kunci, kecuali jika diteruskan, dalam hal ini nilainya akan dipilih (lihat di bawah). Objek Tidak Ada apa pun akan dijatuhkan secara diam-diam kecuali jika semuanya Tidak ada dalam hal ini ValueError akan dimunculkan

• _18. {0, 1,. }, standar 0. Sumbu untuk digabungkan bersama

• _19. {'dalam', 'luar'}, default 'luar'. Cara menangani indeks pada sumbu lain. Luar untuk penyatuan dan bagian dalam untuk persimpangan

• _20. boolean, default Salah. Jika Benar, jangan gunakan nilai indeks pada sumbu gabungan. Sumbu yang dihasilkan akan diberi label 0,. , n - 1. Ini berguna jika Anda menggabungkan objek di mana sumbu gabungan tidak memiliki informasi pengindeksan yang berarti. Perhatikan nilai indeks pada sumbu lainnya masih dihormati dalam gabungan

• _21. daftar objek Indeks. Indeks khusus untuk digunakan untuk sumbu n - 1 lainnya alih-alih menjalankan logika set dalam/luar

• _22. urutan, default Tidak ada. Bangun indeks hierarkis menggunakan kunci yang diteruskan sebagai level terluar. Jika beberapa level dilewati, harus berisi tupel

• _23. daftar urutan, default Tidak ada. Level khusus (nilai unik) yang akan digunakan untuk membuat MultiIndex. Kalau tidak, mereka akan disimpulkan dari kunci

• _24. daftar, default Tidak ada. Nama untuk level dalam indeks hierarki yang dihasilkan

• _25. boolean, default Salah. Periksa apakah sumbu gabungan baru berisi duplikat. Ini bisa sangat mahal dibandingkan dengan penggabungan data aktual

• _26. boolean, default Benar. Jika Salah, jangan salin data yang tidak perlu

Tanpa sedikit konteks dan contoh, banyak dari argumen ini tidak masuk akal. Mari kita ambil contoh di atas. Misalkan kita ingin mengaitkan kunci tertentu dengan masing-masing bagian dari DataFrame yang dicincang. Kita dapat melakukannya dengan menggunakan argumen

In [6]: result = pd.concat(frames, keys=['x', 'y', 'z'])

Seperti yang Anda lihat (jika Anda telah membaca dokumentasi lainnya), indeks objek yang dihasilkan memiliki a. Ini berarti kita sekarang dapat melakukan hal-hal seperti memilih setiap potongan dengan kunci

In [7]: result.loc['y']
Out[7]: 
    A   B   C   D
4  A4  B4  C4  D4
5  A5  B5  C5  D5
6  A6  B6  C6  D6
7  A7  B7  C7  D7

Tidak sulit untuk melihat bagaimana ini bisa sangat berguna. Lebih detail tentang fungsi ini di bawah ini

Catatan

Namun perlu dicatat, bahwa

frames = [ process_your_file(f) for f in files ]
result = pd.concat(frames)

Tetapkan logika pada sumbu lainnya

Saat merekatkan beberapa DataFrames (atau Panel atau. ), misalnya, Anda memiliki pilihan cara menangani sumbu lainnya (selain sumbu yang digabungkan). Ini dapat dilakukan dengan tiga cara

• Ambil (diurutkan) serikat mereka semua,
  30. Ini adalah opsi default karena menghasilkan nol kehilangan informasi
• Ambil persimpangan,
  _31
• Gunakan indeks tertentu (dalam kasus DataFrame) atau indeks (dalam kasus Panel atau objek dimensi yang lebih tinggi di masa mendatang), i. e. argumen
  _21

Berikut adalah contoh dari masing-masing metode tersebut. Pertama, perilaku default

In [8]: df4 = pd.DataFrame({'B': ['B2', 'B3', 'B6', 'B7'],
   ...:                  'D': ['D2', 'D3', 'D6', 'D7'],
   ...:                  'F': ['F2', 'F3', 'F6', 'F7']},
   ...:                 index=[2, 3, 6, 7])
   ...: 

In [9]: result = pd.concat([df1, df4], axis=1)

Perhatikan bahwa indeks baris telah digabungkan dan disortir. Ini adalah hal yang sama dengan

In [10]: result = pd.concat([df1, df4], axis=1, join='inner')

Terakhir, misalkan kita hanya ingin menggunakan kembali indeks yang tepat dari DataFrame asli

Penggabungan menggunakan _29

Pintasan yang berguna untuk

Dalam kasus DataFrame, indeks harus dipisahkan tetapi kolom tidak perlu

Catatan

Tidak seperti daftar. tambahkan metode, yang menambahkan ke daftar asli dan tidak mengembalikan apa pun,

Mengabaikan indeks pada sumbu gabungan

Untuk DataFrames yang tidak memiliki indeks yang berarti, Anda mungkin ingin menambahkannya dan mengabaikan fakta bahwa mereka mungkin memiliki indeks yang tumpang tindih

Untuk melakukan ini, gunakan argumen

Ini juga merupakan argumen yang valid untuk

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Menggabungkan dengan campuran ndims

Anda dapat menggabungkan campuran Seri dan DataFrames. Seri akan diubah menjadi DataFrames dengan nama kolom sebagai nama Seri

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Jika Seri tanpa nama dilewatkan, mereka akan diberi nomor secara berurutan

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Melewati

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Lebih menggabungkan dengan kunci grup

Penggunaan argumen

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Melalui argumen

In [6]: result = pd.concat(frames, keys=['x', 'y', 'z'])

Mari pertimbangkan sekarang variasi dari contoh pertama yang disajikan

In [6]: result = pd.concat(frames, keys=['x', 'y', 'z'])

Anda juga dapat meneruskan dict ke

In [6]: result = pd.concat(frames, keys=['x', 'y', 'z'])

In [6]: result = pd.concat(frames, keys=['x', 'y', 'z'])

MultiIndex yang dibuat memiliki level yang dibangun dari kunci yang diteruskan dan indeks dari potongan DataFrame

In [6]: result = pd.concat(frames, keys=['x', 'y', 'z'])

Jika Anda ingin menentukan level lain (seperti yang kadang-kadang terjadi), Anda dapat melakukannya dengan menggunakan argumen

In [6]: result = pd.concat(frames, keys=['x', 'y', 'z'])

Ya, ini cukup esoteris, tetapi sebenarnya diperlukan untuk mengimplementasikan hal-hal seperti GroupBy di mana urutan variabel kategori bermakna

Menambahkan baris ke DataFrame

Meskipun tidak terlalu efisien (karena objek baru harus dibuat), Anda dapat menambahkan satu baris ke DataFrame dengan meneruskan Seri atau dict ke

Anda harus menggunakan

Anda juga dapat melewati daftar dicts atau Series

Penggabungan/penggabungan DataFrame bergaya basis data

pandas memiliki fitur lengkap, operasi penggabungan dalam memori berkinerja tinggi secara idiomatis sangat mirip dengan database relasional seperti SQL. Metode-metode ini bekerja jauh lebih baik (dalam beberapa kasus jauh lebih baik) daripada implementasi open source lainnya (seperti

Lihat untuk beberapa strategi lanjutan

Pengguna yang terbiasa dengan SQL tetapi baru mengenal panda mungkin tertarik dengan a

panda menyediakan fungsi tunggal,

• _56. Objek DataFrame

• _57. Objek DataFrame lainnya

• _58. Kolom (nama) untuk bergabung. Harus ditemukan di objek DataFrame kiri dan kanan. Jika tidak lulus dan
  _59 dan
  60 adalah
  61, perpotongan kolom di DataFrames akan dianggap sebagai kunci penghubung

• _62. Kolom dari DataFrame kiri untuk digunakan sebagai kunci. Bisa berupa nama kolom atau array dengan panjang yang sama dengan panjang DataFrame

• _63. Kolom dari DataFrame kanan untuk digunakan sebagai kunci. Bisa berupa nama kolom atau array dengan panjang yang sama dengan panjang DataFrame

• _59. Jika
  _65, gunakan indeks (label baris) dari DataFrame kiri sebagai kunci gabungannya. Dalam kasus DataFrame dengan MultiIndex (hierarkis), jumlah level harus sesuai dengan jumlah kunci gabungan dari DataFrame kanan

• _60. Penggunaan yang sama seperti
  _59 untuk DataFrame yang tepat

• _68. Salah satu dari
  _69,
  70,
  71,
  72. Default ke
  _73. Lihat di bawah untuk deskripsi lebih rinci dari setiap metode

• _74. Urutkan hasil DataFrame dengan kunci gabungan dalam urutan leksikografis. Default ke
  _65, pengaturan ke
  61 akan meningkatkan kinerja secara substansial dalam banyak kasus

• _77. Tuple sufiks string untuk diterapkan ke kolom yang tumpang tindih. Default ke
  _78

• _26. Selalu salin data (default
  _65) dari objek DataFrame yang diteruskan, meskipun pengindeksan ulang tidak diperlukan. Tidak dapat dihindari dalam banyak kasus tetapi dapat meningkatkan kinerja/penggunaan memori. Kasus-kasus di mana penyalinan dapat dihindari agak bersifat patologis tetapi opsi ini tetap disediakan

• _81. Tambahkan kolom ke output DataFrame yang disebut
  82 dengan informasi tentang sumber setiap baris.
  82 bertipe Categorical dan mengambil nilai
  84 untuk pengamatan yang kunci gabungannya hanya muncul di
  69 DataFrame,
  86 untuk pengamatan yang kunci gabungannya hanya muncul di
  70 DataFrame, dan
  88 jika kunci gabungan pengamatan ditemukan di keduanya

  Baru di versi 0. 17. 0

Jenis pengembalian akan sama dengan

Metode

Primer singkat tentang metode penggabungan (aljabar relasional)

Pengguna database relasional yang berpengalaman seperti SQL akan terbiasa dengan terminologi yang digunakan untuk menggambarkan operasi gabungan antara dua struktur seperti tabel SQL (objek DataFrame). Ada beberapa kasus untuk dipertimbangkan yang sangat penting untuk dipahami

• satu-ke-satu bergabung. misalnya saat menggabungkan dua objek DataFrame pada indeksnya (yang harus berisi nilai unik)
• banyak-ke-satu bergabung. misalnya saat menggabungkan indeks (unik) ke satu atau beberapa kolom dalam DataFrame
• banyak-ke-banyak bergabung. menggabungkan kolom pada kolom

Catatan

Saat menggabungkan kolom pada kolom (kemungkinan gabungan banyak-ke-banyak), indeks apa pun pada objek DataFrame yang diteruskan akan dibuang

Sebaiknya luangkan waktu untuk memahami hasil dari kasus gabungan banyak-ke-banyak. Dalam SQL/aljabar relasional standar, jika kombinasi tombol muncul lebih dari satu kali di kedua tabel, tabel yang dihasilkan akan memiliki produk Cartesian dari data terkait. Berikut adalah contoh yang sangat mendasar dengan satu kombinasi tombol yang unik

Berikut adalah contoh yang lebih rumit dengan beberapa kunci gabungan

Argumen ________0______68 ke

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

In [7]: result.loc['y']
Out[7]: 
    A   B   C   D
4  A4  B4  C4  D4
5  A5  B5  C5  D5
6  A6  B6  C6  D6
7  A7  B7  C7  D7

In [7]: result.loc['y']
Out[7]: 
    A   B   C   D
4  A4  B4  C4  D4
5  A5  B5  C5  D5
6  A6  B6  C6  D6
7  A7  B7  C7  D7

In [7]: result.loc['y']
Out[7]: 
    A   B   C   D
4  A4  B4  C4  D4
5  A5  B5  C5  D5
6  A6  B6  C6  D6
7  A7  B7  C7  D7

In [7]: result.loc['y']
Out[7]: 
    A   B   C   D
4  A4  B4  C4  D4
5  A5  B5  C5  D5
6  A6  B6  C6  D6
7  A7  B7  C7  D7

Berikut adalah contoh lain dengan kunci gabungan duplikat di DataFrames

In [7]: result.loc['y']
Out[7]: 
    A   B   C   D
4  A4  B4  C4  D4
5  A5  B5  C5  D5
6  A6  B6  C6  D6
7  A7  B7  C7  D7

Peringatan

Penggabungan/penggabungan pada kunci duplikat dapat menyebabkan bingkai yang dikembalikan yang merupakan perkalian dari dimensi baris, dapat mengakibatkan kelebihan memori. Merupakan tanggung jawab pengguna untuk mengelola nilai duplikat dalam kunci sebelum bergabung dengan DataFrame besar

Indikator gabungan

Baru di versi 0. 17. 0

Pengamatan Asal

82 nilaiMerge key hanya di

69 frame

84Merge key hanya di

70 frame

86Merge key di kedua frame

88

frames = [ process_your_file(f) for f in files ]
result = pd.concat(frames)

Argumen

frames = [ process_your_file(f) for f in files ]
result = pd.concat(frames)

Menggabungkan Dtypes

Baru di versi 0. 19. 0

Penggabungan akan mempertahankan tipe kunci gabungan

frames = [ process_your_file(f) for f in files ]
result = pd.concat(frames)

Kami dapat mempertahankan kunci gabungan

frames = [ process_your_file(f) for f in files ]
result = pd.concat(frames)

Tentu saja jika Anda memiliki nilai-nilai yang hilang yang diperkenalkan, maka dtype yang dihasilkan akan dibuang

frames = [ process_your_file(f) for f in files ]
result = pd.concat(frames)

Baru di versi 0. 20. 0

Penggabungan akan mempertahankan

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Bingkai kiri

frames = [ process_your_file(f) for f in files ]
result = pd.concat(frames)

Bingkai yang tepat

frames = [ process_your_file(f) for f in files ]
result = pd.concat(frames)

Hasil gabungan

frames = [ process_your_file(f) for f in files ]
result = pd.concat(frames)

Catatan

Dtypes kategori harus persis sama, artinya kategori yang sama dan atribut yang dipesan. Kalau tidak, hasilnya akan memaksa

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Catatan

Penggabungan pada

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Bergabung di index

frames = [ process_your_file(f) for f in files ]
result = pd.concat(frames)

In [8]: df4 = pd.DataFrame({'B': ['B2', 'B3', 'B6', 'B7'],
   ...:                  'D': ['D2', 'D3', 'D6', 'D7'],
   ...:                  'F': ['F2', 'F3', 'F6', 'F7']},
   ...:                 index=[2, 3, 6, 7])
   ...: 

In [9]: result = pd.concat([df1, df4], axis=1)

In [8]: df4 = pd.DataFrame({'B': ['B2', 'B3', 'B6', 'B7'],
   ...:                  'D': ['D2', 'D3', 'D6', 'D7'],
   ...:                  'F': ['F2', 'F3', 'F6', 'F7']},
   ...:                 index=[2, 3, 6, 7])
   ...: 

In [9]: result = pd.concat([df1, df4], axis=1)

Penyelarasan data di sini ada di indeks (label baris). Perilaku yang sama ini dapat dicapai dengan menggunakan

In [8]: df4 = pd.DataFrame({'B': ['B2', 'B3', 'B6', 'B7'],
   ...:                  'D': ['D2', 'D3', 'D6', 'D7'],
   ...:                  'F': ['F2', 'F3', 'F6', 'F7']},
   ...:                 index=[2, 3, 6, 7])
   ...: 

In [9]: result = pd.concat([df1, df4], axis=1)

In [8]: df4 = pd.DataFrame({'B': ['B2', 'B3', 'B6', 'B7'],
   ...:                  'D': ['D2', 'D3', 'D6', 'D7'],
   ...:                  'F': ['F2', 'F3', 'F6', 'F7']},
   ...:                 index=[2, 3, 6, 7])
   ...: 

In [9]: result = pd.concat([df1, df4], axis=1)

Bergabung dengan kolom kunci pada indeks

In [8]: df4 = pd.DataFrame({'B': ['B2', 'B3', 'B6', 'B7'],
   ...:                  'D': ['D2', 'D3', 'D6', 'D7'],
   ...:                  'F': ['F2', 'F3', 'F6', 'F7']},
   ...:                 index=[2, 3, 6, 7])
   ...: 

In [9]: result = pd.concat([df1, df4], axis=1)

Tentunya Anda dapat memilih bentuk mana yang menurut Anda lebih nyaman. Untuk gabungan banyak-ke-satu (di mana salah satu DataFrame sudah diindeks oleh kunci gabungan), menggunakan

In [8]: df4 = pd.DataFrame({'B': ['B2', 'B3', 'B6', 'B7'],
   ...:                  'D': ['D2', 'D3', 'D6', 'D7'],
   ...:                  'F': ['F2', 'F3', 'F6', 'F7']},
   ...:                 index=[2, 3, 6, 7])
   ...: 

In [9]: result = pd.concat([df1, df4], axis=1)

Untuk menggabungkan beberapa kunci, DataFrame yang diteruskan harus memiliki

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Sekarang ini bisa digabungkan dengan meneruskan dua nama kolom kunci

Default untuk

Seperti yang Anda lihat, ini menghapus setiap baris yang tidak cocok

Menggabungkan satu Indeks ke Multi-indeks

Baru di versi 0. 14. 0

Anda dapat bergabung dengan

Ini setara tetapi kurang bertele-tele dan lebih hemat memori/lebih cepat dari ini

In [10]: result = pd.concat([df1, df4], axis=1, join='inner')

Bergabung dengan dua multi-indeks

Ini tidak Diimplementasikan melalui

In [10]: result = pd.concat([df1, df4], axis=1, join='inner')

Kolom nilai yang tumpang tindih

Argumen gabungan

In [10]: result = pd.concat([df1, df4], axis=1, join='inner')

In [10]: result = pd.concat([df1, df4], axis=1, join='inner')

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

In [10]: result = pd.concat([df1, df4], axis=1, join='inner')

Bergabung dengan beberapa objek DataFrame atau Panel

Daftar atau tupel DataFrames juga dapat diteruskan ke

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Menggabungkan nilai dalam kolom Seri atau DataFrame

Situasi lain yang cukup umum adalah memiliki dua objek Seri atau DataFrame yang diindeks (atau diindeks serupa) dan ingin "menambal" nilai dalam satu objek dari nilai untuk pencocokan indeks di objek lain. Ini sebuah contoh

Untuk ini, gunakan metode

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Perhatikan bahwa metode ini hanya mengambil nilai dari DataFrame kanan jika hilang di DataFrame kiri. Metode terkait,

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Penggabungan ramah deret waktu

Menggabungkan Data yang Dipesan

Suatu fungsi memungkinkan menggabungkan deret waktu dan data terurut lainnya. Secara khusus ia memiliki kata kunci

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Penggabungan AsOf

Baru di versi 0. 19. 0

A mirip dengan left-join yang diurutkan kecuali bahwa kami cocok dengan kunci terdekat daripada kunci yang sama. Untuk setiap baris di

Secara opsional, penggabungan asof dapat melakukan penggabungan berdasarkan grup. Ini sama dengan kunci

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Sebagai contoh;

Secara default kami mengambil asof dari kutipan

Kami hanya mulai dalam

pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

Bisakah Anda menggabungkan dua kamus python?

Bagaimana cara menggabungkan beberapa kamus menjadi satu?

Bagaimana Anda menggabungkan 3 kamus?

Bagaimana cara menggabungkan dua kamus bersarang dengan python?