为了方便维护，一般公司的数据在数据库内都是分表存储的，比如用一个表存储所有用户的基本信息，一个表存储用户的消费情况。所以，在日常的数据处理中，经常需要将两张表拼接起来使用，这样的操作对应到SQL中是join，在Pandas中则是用merge来实现。这篇文章就讲一下merge的主要原理。
上面的引入部分说到merge是用来拼接两张表的，那么拼接时自然就需要将用户信息一一对应地进行拼接，所以进行拼接的两张表需要有一个共同的识别用户的键（key）。总结来说，整个merge的过程就是将信息一一对应匹配的过程，下面介绍merge的四种类型，分别为'inner'、'left'、'right'和'outer'。
inner
merge的'inner'的类型称为内连接，它在拼接的过程中会取两张表的键（key）的交集进行拼接。什么意思呢？下面以图解的方式来一步一步拆解。
首先我们有以下的数据，左侧和右侧的数据分别代表了用户的基础信息和消费信息，连接两张表的键是userid。
现在用'inner'的方式进行merge
In [6]: df_1.merge(df_2,how='inner',on='userid')
过程图解：
①取两张表的键的交集，这里df_1和df_2的userid的交集是{a,c}
②对应匹配
③结果
过程汇总：
相信整个过程并不难理解，上面演示的是同一个键下，两个表对应只有一条数据的情况（一个用户对应一条消费记录），那么，如果一个用户对应了多条消费记录的话，那又是怎么拼接的呢？
假设现在的数据变成了下面这个样子，在df_2中，有两条和a对应的数据：
同样用inner的方式进行merge：
In [12]: df_1.merge(df_2,how='inner',on='userid')
整个过程除了对应匹配阶段，其他和上面基本都是一致的。
过程图解：
①取两张表的键的交集，这里df_1和df_2的userid的交集是{a,b,c}
②对应匹配时，由于这里的a有两条对应的消费记录，故在拼接时，会将用户基础信息表中a对应的数据复制多一行来和右边进行匹配。
③结果
left 和right
'left'和'right'的merge方式其实是类似的，分别被称为左连接和右连接。这两种方法是可以互相转换的，所以在这里放在一起介绍。
'left'
merge时，以左边表格的键为基准进行配对，如果左边表格中的键在右边不存在，则用缺失值NaN填充。
'right'
merge时，以右边表格的键为基准进行配对，如果右边表格中的键在左边不存在，则用缺失值NaN填充。
什么意思呢？用一个例子来具体解释一下，这是演示的数据
现在用'left'的方式进行merge
In [21]: df_1.merge(df_2,how='left',on='userid')
过程图解：
①以左边表格的所有键为基准进行配对。图中，因为右表中的e不在左表中，故不会进行配对。
②若右表中的payment列合并到左表中，对于没有匹配值的用缺失值NaN填充
过程汇总：
对于'right'类型的merge和'left'其实是差不多的，只要把两个表格的位置调换一下，两种方式返回的结果就是一样的（），如下：
In [22]: df_2.merge(df_1,how='right',on='userid')
至于'left'和'right'中（乃至于下面将介绍的'outer'）连接的键是一对多的情况，原理和上方的'inner'是类似的，这里便不再赘述。
outer
'outer'是外连接，在拼接的过程中它会取两张表的键（key）的并集进行拼接。看文字不够直观，还是上例子吧！
还是使用上方用过的演示数据
这次使用'outer'进行merge
In [24]: df_1.merge(df_2,how='outer',on='userid')
图解如下：
①取两张表键的并集，这里是{a,b,c,d,e}
②将两张表的数据列拼起来，对于没有匹配到的地方，使用缺失值NaN进行填充
能读到这里的小伙伴想必也基本理解了merge的整个过程，总结来说，merge的不同类型区别就在于，拼接时选用的两张表格的键的集合不同。关于Pandas的merge就介绍到这里！
