数据表可以按照键（merge函数）来连接，也可以使用轴来合并（concat函数）

单键连接

语法格式如下为：pandas.merge(left,right,how="" on=key) on参数可以选择连接的键值。
can其中how参数可以选择连接方式与SQL语句的连接内涵相同，可选值有一下几个：

import pandas as pd
df_price = pd.DataFrame( 
    {
    
    
        'Date': pd.date_range('2019-1-1', periods=4),
        'AdjClose': [24.42, 25.00, 25.25, 25.64]})
df_volume = pd.DataFrame(
    {
    
    
        'Date': pd.date_range('2019-1-2',periods=5),
        'Volume' : [56081400, 99455500, 83028700, 100234000, 73829000]
    })

数据展示

左连接、右连接

# 左连接
pd.merge(df_price,df_volume,how='left',on='Date')
# 右连接
pd.merge(df_price,df_volume,how='right',on='Date')

内连接、外连接

# 内连接
pd.merge(df_price,df_volume,how='inner',on='Date')
# 外连接
pd.merge(df_price,df_volume,how='outer',on='Date')

多键连接

在这里为df_price、df_volume新增一列来演示多键连接，具体数据结构如下：

# 使用键的联合
pd.merge(df_price,df_volume,how="outer",on=['Date','words'])

运行结果如下

这里为了显示效果使用outer进行合并，发现两个数据在没有的地方会用NaN填充，并且个数也是两个DataFrame的累加。

合并

Numpy 数组可相互连接，用 np.concat；同理，Series 也可相互连接，DataFrame 也可相互连接，用 pd.concat。使用concat内含axis参数，默认是axis=0(按照行进行合并)。里面的join参数可以使用上面的连接值，使用方法与上述一致。
合并Series
代码演示：

import pandas as pd
# 创建三个Series
s1 = pd.Series([0, 1], index=['a', 'b'])
s2 = pd.Series([2, 3, 4], index=['c', 'd','e'])
s3 = pd.Series([5, 6], index=['f', 'g'])

数据结构如下所示

基础使用

# 默认进行行合并
pd.concat([s1,s2,s3])
# 使用列合并
pd.concat([s1,s2,s3],axis=1)

赋予三个Keys创造多层Series

pd.concat([s1,s2,s3],keys=['A','B','C'])

合并DataFrame
合并DataFrame与合并Seres基本相同

扫描二维码关注公众号，回复： 12205343 查看本文章

import pandas as pd
import numpy as np
df1 = pd.DataFrame( np.arange(12).reshape(3,4), columns=['a','b','c','d'])
df2 = pd.DataFrame( np.arange(6).reshape(2,3), columns=['b','d','a'])

数据结构如下所示

pd.concat([df1,df2],axis=0)
# 放弃原本的index
pd.concat([df1,df2],axis=0,ignore_index=True)

可以发现按照行进行合并的时候，当两个DataFrame的index相同的时候，会进行重复显示，如果inedx不重要的话，可以使用ignore_index从新创建索引。
使用附加合并
合并的一个有用的快捷方式是在Series和DataFrame实例的append方法。这些方法实际上早于concat()方法。 它们沿axis=0连接，即索引。

df1.append(df2)
df1.append([df2,df1])