如何基于pandas读取csv后合并两个股票

Sure，以下是针对“如何基于pandas读取csv后合并两个股票”的完整攻略：

1. 加载所需的库及数据

首先，我们需要工具库pandas来处理数据，另外需要加载多个csv文件，这里以两个网易和阿里巴巴的股票数据为例，并保存在当前的工作目录下：

import pandas as pd

# 读取两个csv文件
df1 = pd.read_csv('NTES.csv')
df2 = pd.read_csv('BABA.csv')

2. 数据清洗及字段调整

两个数据表中包含大量的字段，而且需要找到对应的key字段来进行合并。首先我们需要将其统一，然后选择出需要合并的key字段和其他附加信息字段。

# 数据清洗
df1_cleaned = df1[['Date', 'Close']]
df2_cleaned = df2[['Date', 'Close']]

# 字段重命名
df1_cleaned.rename(columns={'Close': 'NTES_Close'}, inplace=True)
df2_cleaned.rename(columns={'Close': 'BABA_Close'}, inplace=True)

这里通过df[['字段1', '字段2', ...]]的方式选择需要保留的字段，同时使用rename函数重命名，方便后面的合并操作。

3. 数据合并

接着，我们可以使用pandas的merge函数来把两个cleaned数据表按照相同的列名合并。我们以Date字段为key进行合并，从而生成一个新的数据表。

# 合并两个表
merged_data = pd.merge(df1_cleaned, df2_cleaned, on='Date', how='outer')

这里使用了merge函数的on和how参数，on参数指定的是合并所需的key字段，how参数指定的是合并模式，这里使用了outer模式，从而将两个表中同时存在的数据合并在一起。

4. 数据排序及输出

最后，我们按照日期进行排序，并使用to_csv函数将数据写出到一个新的csv文件中。

# 数据排序
merged_data = merged_data.sort_values(by=['Date'])

# 将数据输出到新的csv文件中
merged_data.to_csv('merged_stock_data.csv', index=False)

这里使用了sort_values函数来将数据按照日期进行排序，然后使用to_csv函数将数据写出到merged_stock_data.csv文件中，同时关闭了index输出。

5. 示例

以下是合并两个数据表后的示例结果，可以看到从2015年到2019年的每日股票价格：

Date	NTES_Close	BABA_Close
2015-01-02	~128.240	92.690
2015-01-05	~126.820	90.910
2015-01-06	~125.520	90.000
2015-01-07	~127.240	89.430
2015-01-08	~129.440	92.890
...	...	...