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 Show
Menggabungkan objekFungsi 13 (di ruang nama panda utama) melakukan semua pekerjaan berat dalam melakukan operasi penggabungan sepanjang sumbu sambil melakukan logika set opsional (penyatuan atau perpotongan) dari indeks (jika ada) pada sumbu lainnya. Perhatikan bahwa saya mengatakan "jika ada" karena hanya ada satu kemungkinan sumbu rangkaian untuk Seri Sebelum menyelami semua detail _13 dan apa yang dapat dilakukannya, berikut adalah contoh sederhana 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, 15, 16 mengambil daftar atau dict objek yang diketik secara homogen dan menggabungkannya dengan beberapa penanganan yang dapat dikonfigurasi tentang "apa yang harus dilakukan dengan sumbu lain" pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)_ 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 22 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 _13 (dan karena itu 29) membuat salinan lengkap dari data, dan bahwa terus-menerus menggunakan kembali fungsi ini dapat menghasilkan kinerja yang signifikan. Jika Anda perlu menggunakan operasi pada beberapa kumpulan data, gunakan pemahaman daftar frames = [ process_your_file(f) for f in files ] result = pd.concat(frames) Tetapkan logika pada sumbu lainnyaSaat merekatkan beberapa DataFrames (atau Panel atau. ), misalnya, Anda memiliki pilihan cara menangani sumbu lainnya (selain sumbu yang digabungkan). Ini dapat dilakukan dengan tiga cara
Berikut adalah contoh dari masing-masing metode tersebut. Pertama, perilaku default _30 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 _31 In [10]: result = pd.concat([df1, df4], axis=1, join='inner') Terakhir, misalkan kita hanya ingin menggunakan kembali indeks yang tepat dari DataFrame asli _1 Penggabungan menggunakan _29Pintasan yang berguna untuk 13 adalah 29 metode contoh pada Seri dan DataFrame. Metode ini sebenarnya sudah ada sebelum _13. Mereka menggabungkan sepanjang _39, yaitu index _3 Dalam kasus DataFrame, indeks harus dipisahkan tetapi kolom tidak perlu 5 _29 mungkin memerlukan banyak objek untuk digabungkan _7 Catatan Tidak seperti daftar. tambahkan metode, yang menambahkan ke daftar asli dan tidak mengembalikan apa pun, 29 di sini tidak mengubah 42 dan mengembalikan salinannya dengan 43 ditambahkan Mengabaikan indeks pada sumbu gabunganUntuk 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 20 _9 Ini juga merupakan argumen yang valid untuk 45 pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)_1 Menggabungkan dengan campuran ndimsAnda 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)_3 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)_5 Melewati _46 akan menghapus semua referensi nama pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)_7 Lebih menggabungkan dengan kunci grupPenggunaan argumen _22 yang cukup umum adalah mengganti nama kolom saat membuat DataFrame baru berdasarkan Seri yang ada. Perhatikan bagaimana perilaku default terdiri dari membiarkan DataFrame yang dihasilkan mewarisi nama Seri induk, jika ini ada pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)_9 Melalui argumen _22 kita dapat mengganti nama kolom yang ada In [6]: result = pd.concat(frames, keys=['x', 'y', 'z'])_0 Mari pertimbangkan sekarang variasi dari contoh pertama yang disajikan In [6]: result = pd.concat(frames, keys=['x', 'y', 'z'])_1 Anda juga dapat meneruskan dict ke _13 dalam hal ini kunci dict akan digunakan untuk argumen 22 (kecuali kunci lain ditentukan) In [6]: result = pd.concat(frames, keys=['x', 'y', 'z'])_3 In [6]: result = pd.concat(frames, keys=['x', 'y', 'z'])_5 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'])_7 Jika Anda ingin menentukan level lain (seperti yang kadang-kadang terjadi), Anda dapat melakukannya dengan menggunakan argumen 23 In [6]: result = pd.concat(frames, keys=['x', 'y', 'z'])_8 0 Ya, ini cukup esoteris, tetapi sebenarnya diperlukan untuk mengimplementasikan hal-hal seperti GroupBy di mana urutan variabel kategori bermakna Menambahkan baris ke DataFrameMeskipun tidak terlalu efisien (karena objek baru harus dibuat), Anda dapat menambahkan satu baris ke DataFrame dengan meneruskan Seri atau dict ke 29, yang mengembalikan DataFrame baru seperti di atas _1 Anda harus menggunakan _20 dengan metode ini untuk menginstruksikan DataFrame membuang indeksnya. Jika Anda ingin mempertahankan indeks, Anda harus membuat DataFrame yang diindeks dengan tepat dan menambahkan atau menggabungkan objek tersebut Anda juga dapat melewati daftar dicts atau Series _3 Penggabungan/penggabungan DataFrame bergaya basis datapandas 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 54 di R). Alasannya adalah desain algoritmik yang cermat dan tata letak internal data di DataFrame Lihat untuk beberapa strategi lanjutan Pengguna yang terbiasa dengan SQL tetapi baru mengenal panda mungkin tertarik dengan a panda menyediakan fungsi tunggal, _55, sebagai titik masuk untuk semua operasi gabungan basis data standar antara objek DataFrame 5
Jenis pengembalian akan sama dengan 56. Jika 56 adalah 91 dan 57 adalah subkelas dari DataFrame, tipe kembalian akan tetap 91 55 adalah fungsi dalam namespace panda, dan juga tersedia sebagai metode instance DataFrame, dengan pemanggilan DataFrame secara implisit dianggap sebagai objek kiri dalam gabungan Metode _95 terkait, menggunakan 55 secara internal untuk gabungan indeks-pada-indeks (secara default) dan kolom-kolom-pada-indeks. Jika Anda bergabung pada indeks saja, Anda mungkin ingin menggunakan 95 untuk menghemat pengetikan 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
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 _6 Berikut adalah contoh yang lebih rumit dengan beberapa kunci gabungan _8 Argumen ________0______68 ke 55 menentukan cara menentukan kunci mana yang akan disertakan dalam tabel yang dihasilkan. Jika kombinasi tombol tidak muncul di tabel kiri atau kanan, nilai di tabel yang digabungkan adalah pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)00. Berikut adalah ringkasan dari opsi _68 dan nama setara SQL-nyaMerge methodSQL Join NameDescription 56 pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)03Gunakan kunci dari frame kiri saja 57 pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)05Gunakan kunci dari frame kanan saja pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)06 pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)07Gunakan penyatuan kunci dari kedua frame 73 pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)09Gunakan persimpangan kunci dari kedua frame 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 D70 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 D72 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 D74 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 D76 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 D78 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 gabunganBaru di versi 0. 17. 0 _55 sekarang menerima argumen 81. Jika _65, kolom tipe Kategorikal bernama 82 akan ditambahkan ke objek keluaran yang mengambil nilai
frames = [ process_your_file(f) for f in files ] result = pd.concat(frames)0 Argumen 81 juga akan menerima argumen string, dalam hal ini fungsi indikator akan menggunakan nilai string yang diteruskan sebagai nama untuk kolom indikator frames = [ process_your_file(f) for f in files ] result = pd.concat(frames)_1 Menggabungkan DtypesBaru di versi 0. 19. 0 Penggabungan akan mempertahankan tipe kunci gabungan frames = [ process_your_file(f) for f in files ] result = pd.concat(frames)_2 Kami dapat mempertahankan kunci gabungan frames = [ process_your_file(f) for f in files ] result = pd.concat(frames)_3 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)_4 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)_21 jenis gabungan. Lihat juga bagian tentang Bingkai kiri frames = [ process_your_file(f) for f in files ] result = pd.concat(frames)_5 Bingkai yang tepat frames = [ process_your_file(f) for f in files ] result = pd.concat(frames)_6 Hasil gabungan frames = [ process_your_file(f) for f in files ] result = pd.concat(frames)_7 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)22 dtype 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)_21 dtypes yang sama bisa sangat berkinerja dibandingkan dengan pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)22 dtype penggabungan Bergabung di index_95 adalah metode mudah untuk menggabungkan kolom dari dua DataFrames yang berpotensi diindeks berbeda menjadi satu hasil DataFrame. Ini adalah contoh yang sangat mendasar frames = [ process_your_file(f) for f in files ] result = pd.concat(frames)_8 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)0 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)2 Penyelarasan data di sini ada di indeks (label baris). Perilaku yang sama ini dapat dicapai dengan menggunakan _55 plus argumen tambahan yang menginstruksikannya untuk menggunakan 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)4 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)6 Bergabung dengan kolom kunci pada indeks19 mengambil argumen opsional 58 yang mungkin berupa kolom atau beberapa nama kolom, yang menentukan bahwa DataFrame yang diteruskan harus disejajarkan pada kolom tersebut di DataFrame. Kedua panggilan fungsi ini sepenuhnya setara 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)8 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 19 mungkin lebih nyaman. Ini adalah contoh sederhana 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)_9 _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)30 _3 Sekarang ini bisa digabungkan dengan meneruskan dua nama kolom kunci _4 Default untuk _95 adalah melakukan join kiri (pada dasarnya operasi "VLOOKUP", untuk pengguna Excel), yang hanya menggunakan kunci yang ditemukan dalam panggilan DataFrame. Jenis gabungan lainnya, misalnya gabungan dalam, dapat dilakukan dengan mudah _6 Seperti yang Anda lihat, ini menghapus setiap baris yang tidak cocok Menggabungkan satu Indeks ke Multi-indeksBaru di versi 0. 14. 0 Anda dapat bergabung dengan 91 terindeks tunggal dengan level 91 terindeks ganda. Level akan cocok dengan nama indeks dari frame yang diindeks tunggal dengan nama level dari frame yang diindeks banyak _8 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')0 Bergabung dengan dua multi-indeksIni tidak Diimplementasikan melalui _19 saat ini, namun dapat dilakukan dengan menggunakan yang berikut ini In [10]: result = pd.concat([df1, df4], axis=1, join='inner')2 Kolom nilai yang tumpang tindihArgumen gabungan _77 mengambil Tuple dari daftar string untuk ditambahkan ke nama kolom yang tumpang tindih di input DataFrames untuk memperjelas kolom hasil In [10]: result = pd.concat([df1, df4], axis=1, join='inner')4 In [10]: result = pd.concat([df1, df4], axis=1, join='inner')6 _95 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)37 dan pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)38 argumen yang berperilaku serupa In [10]: result = pd.concat([df1, df4], axis=1, join='inner')8 Bergabung dengan beberapa objek DataFrame atau PanelDaftar atau tupel DataFrames juga dapat diteruskan ke 95 untuk bergabung bersama mereka di indeks mereka. Hal yang sama berlaku 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)_40 _00 Menggabungkan nilai dalam kolom Seri atau DataFrameSituasi 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 _02 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)_41 _03 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)_42, menggantikan nilai non-NA _05 Penggabungan ramah deret waktuMenggabungkan Data yang DipesanSuatu 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)44 opsional untuk mengisi/menginterpolasi data yang hilang _07 Penggabungan AsOfBaru 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 56 DataFrame, kami memilih baris terakhir di 57 DataFrame yang kunci 58 kurang dari kunci kiri. Kedua DataFrames harus diurutkan berdasarkan kunci 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)_49, selain kecocokan terdekat pada kunci 58 Sebagai contoh; _08 _09 Secara default kami mengambil asof dari kutipan _10 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)_55 antara waktu kutipan dan waktu perdagangan dan kami mengecualikan pencocokan persis tepat waktu. Perhatikan bahwa meskipun kami mengecualikan kecocokan persis (dari tanda kutip), tanda kutip sebelumnya TO menyebar ke titik waktu tersebut Bisakah Anda menggabungkan dua kamus python?Anda dapat menggabungkan dua kamus menggunakan. operator . Ini adalah metode yang sangat nyaman untuk menggabungkan kamus; . 9 versi atau lebih.
Bagaimana cara menggabungkan beberapa kamus menjadi satu?Metode 2. Menggunakan operator pembongkaran
. Kami juga dapat menggabungkan beberapa kamus menggunakan metode ini
Bagaimana Anda menggabungkan 3 kamus?Jika Anda ingin menggabungkan tiga kamus, Anda harus menggabungkan dua yang pertama terlebih dahulu, lalu menggabungkan yang ketiga dengan kamus yang dimodifikasi .
Bagaimana cara menggabungkan dua kamus bersarang dengan python?Jika Anda ingin mempertahankan a, Anda dapat menyebutnya seperti merge(dict(a), b). agf menunjukkan (di bawah) bahwa Anda mungkin memiliki lebih dari dua dict, dalam hal ini Anda dapat menggunakannya. kurangi(gabungkan, [dict1, dict2, dict3. ]) di mana semuanya akan ditambahkan ke dict1 |