首先我们需要创建两个简单的 DataFrame 对象
import pandas as pd
df0 = pd.DataFrame({"a": [1, 2, 3], "b": [4, 5, 6]})
df1 = pd.DataFrame({"c": [2, 3, 4], "d": [5, 6, 7]})
1、concat：横向或者纵向合并数据
#当你纵向合并数据时，需要将轴axis指定为0，默认是0。
pd.concat([df0,
df1.rename(columns={"c": "a", "d": "b"})],
axis=0)
#当你横向合并数据时。
pd.concat([df0, df1], axis=1)
#如果两者索引不相同时，就会用 NaN 填充
df2 = df1.copy()
df2.index = [1, 2, 3]
pd.concat([df0, df2], axis=1)
#如果希望它们不受索引的影响，可以先重置索引再执行concat连接。
pd.concat([df0.reset_index(drop=True),
df2.reset_index(drop=True)],
axis=1)
2、join：专门用于使用索引连接 DataFrame 对象之间的列。
df0.join(df1)
#当索引不同时，join连接默认保留来自左侧 DataFrame 的行。右侧 DF 不同索引数据会被删除。
df0.join(df2)
#此外，还可以设置 how 参数，这点与SQL的语法一致，默认是left
df0.join(df2, how="right")
# outer 外连接 （并集）
df0.join(df2, how="outer")
# inner 内连接（交集）
df0.join(df2, how="inner")
3、merge：可以对列和索引执行合并操作
#基于列的合并，可以这样操作
df0.merge(df1.rename(columns={"c": "a"}),
on="a", how="inner")
#on 参数定义两个 DataFrame 对象将合并到哪些列。也可以分别指定左侧 DataFrame 和右侧 DataFrame 的合并列。
df0.merge(df1, left_on="a", right_on="c")
4、combine：在两个 DataFrame 对象之间执行按列合并--工作中使用较少
#combine 的特殊之处，在于它接受一个函数参数。此函数采用两个系列，每个系列对应于每个 DataFrame 中的合并列，并返回一个系列作为相同列的元素操作的最终值。
def taking_larger_square(s1, s2):
return s1 * s1 if s1.sum() > s2.sum() else s2 * s2
df0.combine(df1.rename(columns={"c": "a", "d": "b"}), taking_larger_square)
5、append：专门用于将行附加到现有 DataFrame 对象
#跟第一个方法concat的实现效果一致。
df0.append(df1.rename(columns={"c": "a", "d": "b"}))
#不过除了逐行拼接DataFrame，append还可以附加 dict 字典对象，这种方法更加灵活。
df0.append({"a": 1, "b": 2}, ignore_index=True)
小结
1、concat[1]：按行和按列 合并数据；
2、join[2]：使用索引按行合 并数据；
3、merge[3]：按列合并数据，如数据库连接操作；
4、combine[4]：按列合并数据，具有列间（相同列）元素操作；
5、append[5]：以DataFrame或dict对象的形式逐行追加数据。
