pandas使用pd.concat函数，与np.concatenate函数类似，只是多了一些参数：
objs
axis=0
keys
join=‘outer‘ / ‘inner‘:表示的是级联的方式，outer会将所有的项进行级联（忽略匹配和不匹配），而inner只会将匹配的项级联到一起，不匹配的不级联
ignore_index=False
df1 = pd.DataFrame(data=np.random.randint(0,100,size=(5,3)),columns=[‘A‘,‘B‘,‘C‘]) df2 = pd.DataFrame(data=np.random.randint(0,100,size=(5,3)),columns=[‘A‘,‘B‘,‘C‘])
pd.concat((df1,df1),axis=1) #行列索引都一致的级联叫做匹配级联
不匹配级联
df1 = pd.DataFrame(data=np.random.randint(0,100,size=(5,3)),columns=[‘A‘,‘B‘,‘C‘])
df2 = pd.DataFrame(data=np.random.randint(0,100,size=(5,3)),columns=[‘A‘,‘D‘,‘C‘])
pd.concat((df1,df2),axis=0) #不匹配指的是级联的维度的索引不一致。例如纵向级联时列索引不一致，横向级联时行索引不一致 有2种连接方式：外连接：补NaN（默认模式） 内连接：只连接匹配的项
pd.concat((df1,df2),axis=0,join=‘inner‘) #inner直把可以级联的级联不能级联不处理
df1.append(df1)
merge与concat的区别在于，merge需要依据某一共同列来进行合并
使用pd.merge()合并时，会自动根据两者相同column名称的那一列，作为key来进行合并。
注意每一列元素的顺序不要求一致
from pandas import DataFrame
df1 = DataFrame({‘employee‘:[‘Bob‘,‘Jake‘,‘Lisa‘], ‘group‘:[‘Accounting‘,‘Engineering‘,‘Engineering‘], }) df1
df2 = DataFrame({‘employee‘:[‘Lisa‘,‘Bob‘,‘Jake‘],
‘hire_date‘:[2004,2008,2012],
})
df2
pd.merge(df1,df2,on=‘employee‘)
df3 = DataFrame({ ‘employee‘:[‘Lisa‘,‘Jake‘], ‘group‘:[‘Accounting‘,‘Engineering‘], ‘hire_date‘:[2004,2016]}) df3
df4 = DataFrame({‘group‘:[‘Accounting‘,‘Engineering‘,‘Engineering‘],
‘supervisor‘:[‘Carly‘,‘Guido‘,‘Steve‘]
})
df4
pd.merge(df3,df4)#on如果不写，默认情况下使用两表中公有的列作为合并条件
df1 = DataFrame({‘employee‘:[‘Bob‘,‘Jake‘,‘Lisa‘],
‘group‘:[‘Accounting‘,‘Engineering‘,‘Engineering‘]})
df1
df5 = DataFrame({‘group‘:[‘Engineering‘,‘Engineering‘,‘HR‘],
‘supervisor‘:[‘Carly‘,‘Guido‘,‘Steve‘]
})
df5
pd.merge(df1,df5,how=‘right‘) #how 是合并方式 默认值是 inner 只和并能合并的 outer 能合并的不能合并的都合并 left 保留左表的数据完整性 righ 保留右表的数据完整性
当两张表没有可进行连接的列时，可使用left_on和right_on手动指定merge中左右两边的哪一列列作为连接的列
df1 = DataFrame({‘employee‘:[‘Bobs‘,‘Linda‘,‘Bill‘],
‘group‘:[‘Accounting‘,‘Product‘,‘Marketing‘],
‘hire_date‘:[1998,2017,2018]})
df1
df5 = DataFrame({‘name‘:[‘Lisa‘,‘Bobs‘,‘Bill‘],
‘hire_dates‘:[1998,2016,2007]})
df5
pd.merge(df1,df5,left_on=‘employee‘,right_on=‘name‘)
原文：https://www.cnblogs.com/linranran/p/13301722.html