pandas23 df.append附加数据（或绑定或堆叠）（ tcy）_df.append ignore

1.函数
 
df.append(other, ignore_index=False, verify_integrity=False, sort=None)
用途：
    # 将其他行附加到此帧的末尾，返回一个新对象。不在此框架中的列将添加为新列。
 
参数：
    # other：DataFrame或Series / dict-like对象，或者这些对象的列表；要追加的数据。
    # ignore_index=False如为True不用索引标签。
    # verify_integrity=False如为True创建具有重复项索引时引发ValueError
    # sort=None bool默认排序;False不排序
返回：附加 DataFrame
 
============================================================
2.实例
 
# 实例1：
df1 = pd.DataFrame([[11, 12], [13, 14]], columns=list('AB'))
df2 = pd.DataFrame([[21, 22], [23, 24]], columns=list('AB'))
df3 = pd.DataFrame([[21, 22], [23, 24]], columns=list('BC'))
 
result1=df1.append(df2)
result2=df1.append(df3,sort=False)
result3=df1.append(df2, ignore_index=True)#忽略原数据标签
 
                  result1       result2               result3
df1      A   B         A   B       A     B     C        A   B
     0  11  12    0   11  12    0  11.0  12   NaN    0  11  12
     1  13  14    1   13  14    1  13.0  14   NaN    1  13  14
df2      A   B    0   21  22    0   NaN  21  22.0    2  21  22
     0  21  22    1   23  24    1   NaN  23  24.0    3  23  24
     1  23  24
 
============================================================
# 实例2：字典或字典列表数据
data1={'A':88,'B':89}
data2= [{'A':86,'B':87},{'A':88,'B':89}]
 
# 给字典转换的数据框添加索引
result1=df1.append(pd.DataFrame(data1,index=[1]))   #数据为标量值必须传入index
result1=df1.append(data1,ignore_index=True)         #添加字典,忽略掉索引
result2=df1.append(pd.DataFrame(data2,index=[2,3])) #数据为标量值必须传入index
result2=df1.append(data2,ignore_index=True)         #添加字典,忽略掉索引
 
result1       result2
                  A   B
    A   B     0  11  12
0  11  12     1  13  14
1  13  14     2  86  87
1  88  89     3  88  89
 
============================================================
#实例3.1：序列数据
s1=pd.Series([91,92],name='A')
s2=pd.Series([93,94],name='B')
s3=pd.Series([95,96])
 
result1=s1.append(s2)
result2=s1.append(s3)
result3=df1.append([s1,s2])
 
result1  result2   result3
0   91    0   91        A     B     0       1
1   92    1   92    0  11.0  12.0   NaN   NaN
0   93    0   95    1  13.0  14.0   NaN   NaN
1   94    1   96    A   NaN   NaN  91.0  92.0
                    B   NaN   NaN  93.0  94.0
 
#实例3.2：序列数据
ss = pd.Series([81,82], index=['A', 'B'])
result1=df1.append(ss, ignore_index=True)#结果同下
result1=df1.append({'A':s1.values[0],'B':s1.values[1]},ignore_index=True)
 
    A   B
0  11  12
1  13  14
2  91  92
 
============================================================
#实例4：附加数据效率
 
df=pd.DataFrame([],columns=list('AB'))
 
for i in range(10,13):
   df = df.append({'A': i,'B': i+10}, ignore_index=True)#必须忽略索引 效率低t=0.0118
df.append([df.append({'A': i,'B': i+10}, ignore_index=True)
                 for i in range(10,13)], ignore_index=True)#效率中t=0.0077
pd.concat([pd.DataFrame({'A':[i],'B':[i+10]})
                 for i in range(10,13)],ignore_index=True) #效率高t=0.0036
 
    A   B
0  10  20
1  11  21
2  12  22