數據的合并與關聯是數據處理過程中經常遇到的問題，在SQL、HQL中大家可能都有用到 join、uion all 等 ，在 Pandas 中也有同樣的功能，來滿足數據處理需求，個人感覺 Pandas 處理數據還是非常方便，數據處理效率比較高，能滿足不同的業務需求

數據拼接：pd.concat

concat 是pandas級的函數，用來拼接或合并數據，其根據不同的軸既可以橫向拼接，又可以縱向拼接

函數參數

pd.concat(
    objs: 'Iterable[NDFrame] | Mapping[Hashable, NDFrame]',
    axis=0,
    join='outer',
    ignore_index: 'bool' = False,
    keys=None,
    levels=None,
    names=None,
    verify_integrity: 'bool' = False,
    sort: 'bool' = False,
    copy: 'bool' = True,
) -> 'FrameOrSeriesUnion'

• objs：合并的數據集，一般用列表傳入，例如：[df1,df2,df3]
• axis：指定數據拼接時的軸，0是行，在行方向上拼接；1是列，在列方向上拼接
• join：拼接的方式有 inner，或者outer，與sql中的意思一樣

以上三個參數在實際工作中經常使用，其他參數不再做介紹

案例：

模擬數據

橫向拼接

橫向拼接-1

字段相同的列進行堆疊，字段不同的列分列存放，缺失值用NAN來填充，下面對模擬數據進行變換用相同的字段，進行演示

橫向拼接-2

縱向拼接

縱向拼接

可以看出在縱向拼接的時候，會按索引進行關聯，使相同名字的成績放在一起，而不是簡單的堆疊

數據關聯:pd.merge

數據關聯與SQL中的join基本一樣，一次可以關聯兩個數據表，有左表、右表的區分，需要可以指定關聯的字段

函數參數

pd.merge(
    left: 'DataFrame | Series',
    right: 'DataFrame | Series',
    how: 'str' = 'inner',
    on: 'IndexLabel | None' = None,
    left_on: 'IndexLabel | None' = None,
    right_on: 'IndexLabel | None' = None,
    left_index: 'bool' = False,
    right_index: 'bool' = False,
    sort: 'bool' = False,
    suffixes: 'Suffixes' = ('_x', '_y'),
    copy: 'bool' = True,
    indicator: 'bool' = False,
    validate: 'str | None' = None,
) -> 'DataFrame'

• left：左表
• right：右表
• how：關聯的方式，{‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’}, 默認關聯方式為 ‘inner’
• on：關聯時指定的字段，兩個表共有的
• left_on：關聯時用到左表中的字段，在兩個表不共有關聯字段時使用
• right_on：關聯時用到右表中的字段，在兩個表不共有關聯字段時使用

以上參數在實際工作中經常使用，其他參數不再做介紹

案例：

數據關聯

merge 的使用與SQL中的 join 很像，使用方式基本一致，既有內連接，也有外連接，用起來基本沒有什么難度

兩者區別

• concat 只是 pandas 下的方法，而 merge 即是 pandas 下的方法，又是DataFrame 下的方法
• concat 可以橫向、縱向拼接，又起到關聯的作用
• merge 只能進行關聯，也就是縱向拼接
• concat 可以同時處理多個數據框DataFrame，而 merge 只能同時處理 2 個數據框