今天借著這個機會，就為大家盤點一下pandas中合并數據的5個函數。

join

join是基于索引的橫向拼接，如果索引一致，直接橫向拼接。如果索引不一致，則會用Nan值填充。

索引一致

x = pd.DataFrame({'A': ['A0', 'A1', 'A2'],
'B': ['B0', 'B1', 'B2']},
                    index=[0, 1, 2])
y = pd.DataFrame({'C': ['C0', 'C2', 'C3'],
'D': ['D0', 'D2', 'D3']},
                    index=[0, 1, 2])
x.join(y)

結果如下：

索引不一致

x = pd.DataFrame({'A': ['A0', 'A1', 'A2'],
'B': ['B0', 'B1', 'B2']},
                    index=[0, 1, 2])
y = pd.DataFrame({'C': ['C0', 'C2', 'C3'],
'D': ['D0', 'D2', 'D3']},
                    index=[1, 2, 3])
x.join(y)

結果如下：

merge

merge是基于指定列的橫向拼接，該函數類似于關系型數據庫的連接方式，可以根據一個或多個鍵將不同的DatFrame連接起來。該函數的典型應用場景是，針對同一個主鍵存在兩張不同字段的表，根據主鍵整合到一張表里面。

• 可以指定不同的how參數，表示連接方式，有inner內連、left左連、right右連、outer全連，默認為inner;

x = pd.DataFrame({'姓名': ['張三', '李四', '王五'],
'班級': ['一班', '二班', '三班']})
y = pd.DataFrame({'專業': ['統計學', '計算機', '繪畫'],
'班級': ['一班', '三班', '四班']})

pd.merge(x,y,how="left")

結果如下：

concat

concat函數既可以用于橫向拼接，也可以用于縱向拼接。

縱向拼接

x = pd.DataFrame([['Jack','M',40],['Tony','M',20]], columns=['name','gender','age'])
y = pd.DataFrame([['Mary','F',30],['Bob','M',25]], columns=['name','gender','age'])
z = pd.concat([x,y],axis=0)
z

結果如下：

橫向拼接

x = pd.DataFrame({'姓名': ['張三', '李四', '王五'],
'班級': ['一班', '二班', '三班']})
y = pd.DataFrame({'專業': ['統計學', '計算機', '繪畫'],
'班級': ['一班', '三班', '四班']})
z = pd.concat([x,y],axis=1)
z

結果如下：

append

append主要用于縱向追加數據。

x = pd.DataFrame([['Jack','M',40],['Tony','M',20]], columns=['name','gender','age'])
y = pd.DataFrame([['Mary','F',30],['Bob','M',25]], columns=['name','gender','age'])
x.append(y)

結果如下：

combine

conbine可以通過使用函數，把兩個DataFrame按列進行組合。

x = pd.DataFrame({"A":[3,4],"B":[1,4]})
y = pd.DataFrame({"A":[1,2],"B":[5,6]})
x.combine(y,lambda a,b:np.where(a>b,a,b))

結果如下：

注：上述函數，用于返回對應位置上的最大值。