精华内容
下载资源
问答
  • 下面小编就为大家分享一篇用pandas按列合并两个文件的实例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
  • pandas合并文件

    2019-01-16 10:21:52
    import pandas as pd pd.set_option('expand_frame_repr',False) import glob pd.concat((pd.read_csv(file,names=['name','prices','price'],engine='python',encoding='utf-8') for file in glob.glob('C:/Users/...

    import pandas as pd
    pd.set_option('expand_frame_repr',False)
    import glob

    pd.concat((pd.read_csv(file,names=['name','prices','price'],engine='python',encoding='utf-8') for file in glob.glob('C:/Users/badminton.Zhou/Desktop/国家/*.csv'))).to_excel('C:/Users/badminton.Zhou/Desktop/国家/ho.xlsx')

    展开全文
  • pandas-多文件合并

    2020-04-05 18:24:17
    使用glob获取所有得excel文件pandas读取文件,保存至同一个文件中 import glob import os import pandas as pd class MergeExcel(object): def __init__(self, headers): # 需要提取的列名 self.headers = ...

    使用glob获取所有得excel文件,pandas读取文件,保存至同一个文件中

    import glob
    import os
    import pandas as pd
    
    
    class MergeExcel(object):
        def __init__(self, headers):
            # 需要提取的列名
            self.headers = headers
            # 创建一个数据空间用于存储数据
            self.datas = pd.DataFrame(columns=self.headers)
    
        def get_file_path(self, dir_path):
            # 递归获取所有excel文件
            file_paths = glob.glob(dir_path + '/' + '*.xls*', recursive=True)
            return file_paths
    
        def merge_excel(self, file_path):
            # 读取、合并文件
            data = pd.read_excel(file_path)
            self.datas = self.datas.append(data[self.headers])
    
        def run(self):
            # 获取当前文件夹名称
            dir_path = os.path.dirname(__file__)
            # dir_path = os.getcwd()
    
            # 获取当前文件夹下所有excel文件路径
            # dir_path = r'C:\Users\xiongrenyi\Desktop\zhiyuan'
    
            # 获取所有excel文件路径
            file_paths = self.get_file_path(dir_path)
            print(file_paths)
    
            # 遍历所有的excel文件路径
            for file_path in file_paths:
                self.merge_excel(file_path)
                print(file_path.split('\\')[-1], '已合并')
    
            # 保存
            self.datas.to_excel('new_file.xlsx', sheet_name='Sheet1', index=False, header=True)
    
    
    if __name__ == '__main__':
        # 输入需要提取的列名
        heads = ['学号', '第一志愿']
    
        merge_excel = MergeExcel(heads)
        merge_excel.run()
    
    展开全文
  • 1.列合并两个csv文件 import pandas as pd df1 = pd.read_csv('dataset/easy29.csv') df2 = pd.read_csv('dataset/easy210.csv') frames = [df1, df2] all_csv = pd.concat(frames) 2.通过追加的方式合并csv...

     1.列合并两个csv文件

    import pandas as pd
    df1 = pd.read_csv('dataset/easy29.csv')
    df2 = pd.read_csv('dataset/easy210.csv')
     
    frames = [df1, df2]
    all_csv = pd.concat(frames)

     2.通过追加的方式合并csv文件。

    with open('1.csv','ab') as f:
    f.write(open('2.csv','rb').read())#将2.csv内容追加到1.csv的后面

     

    3.在将多个csv文件拼接到一起的时候,可以用Python通过pandas包的read_csv和to_csv两个方法来完成。

    这里不采用pandas.merge()来进行csv的拼接,而只是通过简单的文件的读取和附加方式的写入来完成拼接。

    import pandas as pd
    for inputfile in os.listdir(inputfile_dir):
        pd.read_csv(inputfile, header=None)                    #header=None表示原始文件数据没有列索引,这样的话read_csv会自动加上列索引
        pd.to_csv(outputfile, mode='a', index=False, header=False)      #header=0表示不保留列名,index=False表示不保留行索引,mode='a'表示附加方式写入,文件原有内容不会被清除

     

     

     

     

     

     

     

     

     

     

    展开全文
  • pandas之数据合并

    千次阅读 2018-06-23 13:38:07
    在数据处理中,不免会遇到数据之间的合并。学过关系数据库的童鞋应该都清楚数据表之间的连接。... pandas 中数据合并常用的方法有三种:pandas.merge(), pandas.concat(), 以及实例方法 combine_...

           在数据处理中,不免会遇到数据之间的合并。学过关系数据库的童鞋应该都清楚数据表之间的连接。今天要说的数据合并其实和数据表之间的连接有很多相似之处。由于 pandas 库在数据分析中比较方便而且用者较多,我们就说pandas中的数据合并方式。

         pandas 中数据合并常用的方法有三种:pandas.merge(), pandas.concat(), 以及实例方法 combine_first()

    1)pandas.merge()

    merge函数的参数:

    left, right参与合并的左、右侧Dataframe
    howinner、outer、left、right之一,默认是 inner
    on指定用于连接的列名。如果未指定,则会自动选取要合并数据中相同的列名
    left_on, right_on左、右侧Dataframe用于连接键的列
    left_index, right_index将左 \ 右侧的行索引用作连接键
    sort根据连接键对合并后的数据进行排序,默认True。在处理大数据集的时候,禁用此功能能会有很好的性能提升
    suffixes字符串元组,用于追加到重复列名的末尾,默认('_x', '_y')
    copy

    设置为False,可以在某些特殊情况下 避免将数据复制到结果数据结构中。默认总是复制。

    看几个简单的例子:

    In [10]: df1 = pd.DataFrame({'k':['s','s','w','x','x','n','f','c'],'data1':range(8)})
    In [11]: df2 = pd.DataFrame({'k':['w','w','s','s','x','f'],'data2':range(6)})
    In [12]: pd.merge(df1,df2)  # 未指定合并的列,默认选取两者重复的列 k, 也可以指定 pd.merge(df1,df2,on='k')
    Out[12]: 
       data1  k  data2
    0      0  s      2
    1      0  s      3
    2      1  s      2
    3      1  s      3
    4      2  w      0
    5      2  w      1
    6      3  x      4
    7      4  x      4
    8      6  f      5

    从上面的结果中会发现有些行消失了,这是因为默认使用的是 inner 连接方式,结果做的交集。可以指定其他的连接方式(参见上面的 how 参数值)。例如:

    In [13]: pd.merge(df1,df2,how='outer')  
    Out[13]: 
        data1  k  data2
    0       0  s    2.0
    1       0  s    3.0
    2       1  s    2.0
    3       1  s    3.0
    4       2  w    0.0
    5       2  w    1.0
    6       3  x    4.0
    7       4  x    4.0
    8       5  n    NaN
    9       6  f    5.0
    10      7  c    NaN
    合并的列名不同时,手动指定要合并的列:
    In [14]: df2 = pd.DataFrame({'k_1':['w','w','s','s','x','f'] ,'data2':range(6)})
    In [17]: pd.merge(df1,df2,left_on='k',right_on='k_1',how='outer')
    Out[17]: 
        data1  k  data2  k_1
    0       0  s    2.0    s
    1       0  s    3.0    s
    2       1  s    2.0    s
    3       1  s    3.0    s
    4       2  w    0.0    w
    5       2  w    1.0    w
    6       3  x    4.0    x
    7       4  x    4.0    x
    8       5  n    NaN  NaN
    9       6  f    5.0    f
    10      7  c    NaN  NaN

    根据多个键进行合并,只需要在 on 关键字传入一个列名组成的列表即可:

    In [25]: left = pd.DataFrame({'key1': ['foo', 'foo', 'bar'],
        ...: 'key2': ['one', 'two', 'one'],'val': [1, 2, 3]})
    In [26]: right = pd.DataFrame({'key1': ['foo', 'foo','bar','bar'],
        ...: 'key2': ['one', 'one', 'one','two'],'val': [4,5,6,7]})
    
    In [27]: pd.merge(left, right, on=['key1', 'key2'], how='outer')
    Out[27]: 
      key1 key2  val_x  val_y
    0  foo  one   1.0   4.0
    1  foo  one   1.0   5.0
    2  foo  two   2.0   NaN
    3  bar  one   3.0   6.0
    4  bar  two   NaN   7.0

    从上面的例子中还可以看到,当合并的数据有相同的列时,结果会默认在后面添加_x, _y来区分。也可以手动指定:

    In [31]: pd.merge(left, right, on='key1', how='outer',suffixes=('_left','_right'))
    Out[31]: 
      key1 key2_left  val_left key2_right  val_right
    0  foo       one         1        one          4
    1  foo       one         1        one          5
    2  foo       two         2        one          4
    3  foo       two         2        one          5
    4  bar       one         3        one          6
    5  bar       one         3        two          7
    索引作为连接键的合并
    有的时候我们要合并的连接键在索引中,这种情况我们就要通过 left_index = True  \ right_index = True 来明确索引作为连接键。
    In [35]: df3 = pd.DataFrame({'data3':[5,2,0]},index=list('sxn'))
    In [36]: df3
    Out[36]: 
       data3
    s      5
    x      2
    n      0
    In [37]: pd.merge(df1,df3,left_on='k',right_index=True,how='outer')
    Out[37]: 
       data1  k  data3
    0      0  s    5.0
    1      1  s    5.0
    2      2  w    NaN
    3      3  x    2.0
    4      4  x    2.0
    5      5  n    0.0
    6      6  f    NaN
    7      7  c    NaN

    合并层次化索引的数据,必须以列表的形式指明用作合并的列:

    In [49]:  lefth = pd.DataFrame({'key1': ['sxn', 'sxn', 'sxn', 'wfc', 'wfc'],
    'key2': [2000, 2001, 2002, 2001, 2002],
        ...: 'data': np.arange(5.)})
    In [50]: righth = pd.DataFrame(np.arange(12).reshape((6, 2)) ,
        ...: index=[['wfc', 'wfc', 'sxn', 'sxn', 'sxn', 'snx'],
        ...: [2001, 2000, 2000, 2000, 2001, 2002]],
        ...: columns=['event1', 'event2'])
    In [51]: pd.merge(lefth, righth, left_on=['key1', 'key2'],right_index=True, how='outer')
    Out[51]: 
       data key1  key2  event1  event2
    0   0.0  sxn  2000     4.0     5.0
    0   0.0  sxn  2000     6.0     7.0
    1   1.0  sxn  2001     8.0     9.0
    2   2.0  sxn  2002     NaN     NaN
    3   3.0  wfc  2001     0.0     1.0
    4   4.0  wfc  2002     NaN     NaN
    4   NaN  wfc  2000     2.0     3.0
    4   NaN  snx  2002    10.0    11.0
    Dataframe 的 join 方法更为方便的实现索引上面的合并
    In [62]: df1 = pd.DataFrame({'data1':range(8)},index=['s','s','w','x','x','n','f','c'])
    In [63]: df2 = pd.DataFrame({'data2':range(4)},index=['s','n','f','c'])
    
    In [64]: df1.join(df2)
    Out[64]: 
       data1  data2
    c      7    3.0
    f      6    2.0
    n      5    1.0
    s      0    0.0
    s      1    0.0
    w      2    NaN
    x      3    NaN
    x      4    NaN
    
    In [65]: df3 = pd.DataFrame({'data3':[5,2,0]},index=list('sx
        ...: n'))
        ...: 
    In [66]: df1.join([df2,df3])
    Out[66]: 
       data1  data2  data3
    c      7    3.0    NaN
    f      6    2.0    NaN
    n      5    1.0    0.0
    s      0    0.0    5.0
    s      1    0.0    5.0
    w      2    NaN    NaN
    x      3    NaN    2.0
    x      4    NaN    2.0

    2)pandas.concat()

    这种连接也是轴向连接,也叫连接,绑定,堆叠。

    numpy 中 concatenation函数。

    In [68]: arr = np.arange(12).reshape(3,4)
    In [69]: np.concatenate([arr,arr],axis=1)   # 指定连接轴,axis=1
    
    Out[69]: 
    array([[ 0,  1,  2,  3,  0,  1,  2,  3],
           [ 4,  5,  6,  7,  4,  5,  6,  7],
           [ 8,  9, 10, 11,  8,  9, 10, 11]])
    In [70]: np.concatenate([arr,arr],axis=0)  # 指定连接轴,axis=0
    
    Out[70]: 
    array([[ 0,  1,  2,  3],
           [ 4,  5,  6,  7],
           [ 8,  9, 10, 11],
           [ 0,  1,  2,  3],
           [ 4,  5,  6,  7],
           [ 8,  9, 10, 11]])

    concat的参数:

    objs参与连接的pandas的列表或字典,唯一必须的参数
    axis指明连接的轴向,默认axis=0
    joininner、outer之一
    join_axes 指明用于其他n-1条轴上的索引,不执行并集交集运算
    keys用于形成连接轴上的层次化索引
    levels指定用于层次化索引各级别上的索引,如果设置了的keys的话
    names用于创建分级别的名称,如果设置了levels和keys 的话
    verify_integrity检查结果对象新轴上的重复情况,如果发现引发异常,默认可以重复
    ignore_index不保留连接轴上的索引,产生一组新索引

    下面是一些例子说明以上参数的使用情况:

    In [77]: s1 = pd.Series([0,1],index=['a','b'])
    In [78]: s2 = pd.Series([2,3,4],index=['c','d','e'])
    In [79]: s3 = pd.Series([5,6],index=['f','g'])
    In [80]: pd.concat([s1,s2,s3])      # 默认 axis=0
    Out[80]: 
    a    0
    b    1
    c    2
    d    3
    e    4
    f    5
    g    6
    dtype: int64
    In [81]: pd.concat([s1,s2,s3],axis=1)    # 按照 axis=1 进行连接,产生一个Dataframe 对象
    Out[81]:  
         0    1    2
    a  0.0  NaN  NaN
    b  1.0  NaN  NaN
    c  NaN  2.0  NaN
    d  NaN  3.0  NaN
    e  NaN  4.0  NaN
    f  NaN  NaN  5.0
    g  NaN  NaN  6.0
    In [90]: s4 = pd.concat([s1*5,s3])
    In [91]: pd.concat([s1,s4])
    Out[91]: 
    a    0
    b    1
    a    0
    b    5
    f    5
    g    6
    dtype: int64
    In [94]: pd.concat([s1,s4],keys=['s1','s4'])  # 可以区分合并后的结果
    Out[94]: 
    s1  a    0
        b    1
    s4  a    0
        b    5
        f    5
        g    6
    dtype: int64
    In [97]: pd.concat([s1,s4],axis=1,keys=['s1','s4'])  # 沿着 axis=1 合并,指定的 keys 就会变成Dataframe的列名
    Out[97]: 
        s1  s4
    a  0.0   0
    b  1.0   5
    f  NaN   5
    g  NaN   6
    
    In [92]: pd.concat([s1,s4],axis=1)  # 按照 axis=1 进行连接,产生一个Dataframe 对象
    Out[92]: 
         0  1
    a  0.0  0
    b  1.0  5
    f  NaN  5
    g  NaN  6
    In [93]: pd.concat([s1,s4],axis=1,join='inner')   # join='inner' 产生交集
    
    Out[93]: 
       0  1
    a  0  0
    b  1  5
    
    In [96]: pd.concat([s1,s4],axis=1,join_axes=[['a','c','b','f']])  # 指定要在其他轴上使用的索引
    Out[96]: 
         0    1
    a  0.0  0.0
    c  NaN  NaN
    b  1.0  5.0
    f  NaN  5.0
    

    对于Dataframe的合并,逻辑差不多类似:

    In [98]: df1 = pd.DataFrame(np.arange(6).reshape(3, 2), index=['a', 'b', 'c'],columns=['one', 'two'])
    In [99]:  df2 = pd.DataFrame(5 + np.arange(4).reshape(2, 2), index=['a', 'c'],columns=['three', 'four'])
    In [100]: pd.concat([df1, df2], axis=1, keys=['level1', 'level2'])
    Out[100]: 
      level1     level2
         one two  three four
    a      0   1    5.0  6.0
    b      2   3    NaN  NaN
    c      4   5    7.0  8.0
    In [102]: pd.concat([df1, df2], axis=1)
    Out[102]: 
       one  two  three  four
    a    0    1    5.0   6.0
    b    2    3    NaN   NaN
    c    4    5    7.0   8.0
    In [101]: pd.concat([df1, df2])  # 不指定轴向。默认axis=0
    Out[101]: 
       four  one  three  two
    a   NaN  0.0    NaN  1.0
    b   NaN  2.0    NaN  3.0
    c   NaN  4.0    NaN  5.0
    a   6.0  NaN    5.0  NaN
    c   8.0  NaN    7.0  NaN
    In [103]: pd.concat([df1, df2],keys=['level1', 'level2'])
    Out[103]: 
              four  one  three  two
    level1 a   NaN  0.0    NaN  1.0
           b   NaN  2.0    NaN  3.0
           c   NaN  4.0    NaN  5.0
    level2 a   6.0  NaN    5.0  NaN
           c   8.0  NaN    7.0  NaN
    In [104]: pd.concat([df1, df2], axis=1, keys=['level1', 'level2'],names=['up','down'])  # 用 names 为各分层级别命名
    Out[104]: 
    up   level1     level2
    down    one two  three four
    a         0   1    5.0  6.0
    b         2   3    NaN  NaN
    c         4   5    7.0  8.0
    实例方法 combine_first()   
          还有一种数据组合,简单的说就是数据合并的时候,我有值用我的,我没有值(NA)用你的,都没有那就没有吧。。。这种数据合并,我们先用numpy的where函数解决一下,就知道我上句说的啥意思了。
    In [105]: s1 = pd.Series([np.nan, 2.5, np.nan, 3.5, 4.5, np.nan],index=['f', 'e', 'd', 'c', 'b', 'a'])
    In [107]: s2 = pd.Series(np.arange(len(s1), dtype=np.float64),index=['f', 'e', 'd', 'c', 'b', 'a'])
    
    In [108]: s2[-1] = np.nan
    In [110]: s1
    Out[110]: 
    f    NaN
    e    2.5
    d    NaN
    c    3.5
    b    4.5
    a    NaN
    dtype: float64
    
    In [111]: s2
    Out[111]: 
    f    0.0
    e    1.0
    d    2.0
    c    3.0
    b    4.0
    a    NaN
    dtype: float64
    
    In [113]: np.where(pd.isnull(s1),s2,s1)
    Out[113]: array([0. , 2.5, 2. , 3.5, 4.5, nan])
    
    In [114]: s3 = pd.Series(np.where(pd.isnull(s1),s2,s1),index=s1.index)
    In [115]: s3
    Out[115]: 
    f    0.0
    e    2.5
    d    2.0
    c    3.5
    b    4.5
    a    NaN
    dtype: float64
    嗯,看到没,大概就是上面这个样子的......

    combine_first() 也是实现一样的功能:

    In [118]: s2[:-2].combine_first(s1[2:])
    Out[118]: 
    a    NaN
    b    4.5
    c    3.0
    d    2.0
    e    1.0
    f    0.0
    dtype: float64

    看看Dataframe的 combine_first():

    In [119]: df1 = pd.DataFrame({'a': [1., np.nan, 5., np.nan],'b': [np.nan, 2., np.nan, 6.],
         ...: 'c': range(2, 18, 4)})
    In [120]: df2 = pd.DataFrame({'a': [5., 4., np.nan, 3., 7.],'b': [np.nan, 3., 4., 6., 8.]})
    
    In [121]: df1.combine_first(df2)
    Out[121]: 
         a    b     c
    0  1.0  NaN   2.0
    1  4.0  2.0   6.0
    2  5.0  4.0  10.0
    3  3.0  6.0  14.0
    4  7.0  8.0   NaN


    展开全文
  • python批量导入csv文件pandas叠加输出合并保存 效果如图: #!/usr/bin/env python # -*- coding:utf-8 -*- # Author's_name_is_NIKOLA_SS import pandas as pd import numpy as np import os os.chdir( 'D:/Zsss/...
  • python、pandas文件合并、数据去重

    千次阅读 2018-02-27 12:42:38
    目的:把每个txt文件里的数据去重后合并60个文件为一个总文件,然后把总文件里的数据按第一列、第二列分组 第三列求去重后出现的次数 每个文件的内容如下: 代码如下: # -*- coding:utf-8 -*- from ...
  • pandas合并excel文件

    2020-03-13 12:08:07
    1.文件如下:将其中的三个表的第一列和第二列的数据合并 2. 合并excel。按列合并 # -*- coding: utf-8 -*- # @Time : 2020/3/13 11:18 # @Author : 结尾!! # @FileName: 将挑选的三个室内类目合并.py # @...
  • 一、采用Pandas处理文件 二、采用Mysql处理文件 三、对比结果 一、采用Pandas处理文件 EditPlus打开文件 可以发现文件是以空格为分隔符,则读取文件时令delimiter=' '(若为tab,则令delimiter=' \t'),读取...
  • pandas按列合并两个文件

    万次阅读 2017-11-29 16:34:31
    可以发现,A文件中“汉字井号”这一列和B文件中“WELL”这一列的属性相同,以这一列为主键,把B文件中“TIME”这一列数据添加到A文件中,如果B文件中,则空着,最后A文件的行数不变,效果如下: 代码如下: # -*- ...
  • 利用pandas合并excel文件

    千次阅读 2018-08-30 13:08:23
    临时想要合并一些excel文件,发现用pandas还挺方便。但觉得速度有些慢,可以改进。先这样吧,:-D。 # -*- coding: utf-8 -*- """ Created on Thu Aug 30 12:13:53 2018 @author: Ye ""&...
  • Pandas基础——合并

    2020-04-30 18:19:02
    补充知识 笛卡尔积: 笛卡尔积:笛卡尔乘积是指在数学中,两个集合X和Y的笛卡尔积(Cartesian product),又称直积...1.导入numpy和pandas模块,读取table.csv文件 import numpy as np import pandas as pd df = p...
  • 一文搞定pandas的数据合并

    千次阅读 多人点赞 2020-09-17 09:30:00
    作者:来源于读者投稿出品:Python数据之道一文搞定pandas的数据合并在实际处理数据业务需求中,我们经常会遇到这样的需求:将多个表连接起来再进行数据的处理和分析,类似SQL中的连接...
  • 两张表:ReaderInformation.csv,ReaderRentRecode.csvReaderInformation.csv:ReaderRentRecode.csv:pandas读取csv文件,并进行csv文件合并处理:# -*- coding:utf-8 -*-import csv as csvimport nu...
  • Merge/Join .csv (合并csv文件) import pandas as pd ratings = pd.read_csv('C:/Users/Can/Desktop/RS Project/ratings.csv') ...把两个csv文件合并,显示出每位用户给电影的打分以及电影详情。 data = p
  • 我现在要把十几个csv文件合并,并统计出来里面的数据 如图: import pandas as pd import os import re import numpy as np Folder_Path = r'C:/Users/Cable-Ching\Desktop/New folder/New folder' # 要拼接...
  • import pandas as pd import os df_source = pd.read_excel( "./pandas/ant-learn-pandas/course_datas/c15_excel_split_merge/crazyant_blog_articles_source.xlsx") print(df_source.head(5)) # 创建文件夹 if...
  • Pandas合并excel文件错位现象的解决

    千次阅读 2020-05-27 11:30:15
    Pandas合并excel文件错位现象的解决一、文件错位现象二、原因三、解决 一、文件错位现象 说明:原本想将多列变为一列,以便后续的可视化处理,但是合并后出现这样的错位 原本试图通过pandas的cancat()方法中的参数...
  • import pandas as pd from pandas import Series,DataFrame 一、merge函数 left1 = DataFrame({'水果':['苹果','梨','草莓'], '价格':[3,4,5], '数量':[9,8,7]}).set_index('水果') right1 = DataFrame({'水果':...
  • pandas --合并表格

    千次阅读 2018-12-05 18:44:11
    因为我经常要做数据拉取并合并存储在表格里,所以这里对我遇到的几种类型的表格合并进行讲解。 第一种就是columns是一样的,表格进行追加,如图 import glob,os from numpy import * # 下面这些变量需要您根据...
  • #合并多个.xlsx文件的所有子表数据到一个文件里 import pandas as pd #写入文件 writer_file='.xlsx' #待合并文件路径列表 file_name=['.xlsx','.xlsx'] #打开写入文件 writer = pd.ExcelWriter(writer_file) for ...
  • pandas读取csv文件,并进行csv文件合并处理: # -*- coding:utf-8 -*- import csv as csv import numpy as np # ------------- # csv读取表格数据 # ------------- ''' csv_file_object = csv.reader(c
  • 1. csv文件内容如下: 2.使用相对路径读取csv文件 tick = pd.DataFrame(pd.read_csv(os.path.join(BASE_DIR, 'CsvFile/tick.SGE.csv'), keep_default_na=False, ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 13,020
精华内容 5,208
关键字:

pandas大文件合并