Pandas数据处理功能强大，可以方便的实现数据的合并与拼接，具体是如何实现的呢?

一、DataFrame.concat：沿着一条轴，将多个对象堆叠到一起

语法：

concat(objs, axis=0,join='outer', join_axes=None, ignore_index=False,

keys=None, levels=None, names=None, verify_integrity=False, copy=True):

pd.concat()只是单纯的把两个表拼接在一起，参数axis是关键，它用于指定合并的轴是行还是列，axis默认是0。

axis=0代表纵向合并;

axis=1代表横向合并。

参数介绍：

objs：需要连接的对象集合，一般是列表或字典;

axis：连接轴向;

join：参数为‘outer’或‘inner’;

ignore_index=True：重建索引

举例：

默认纵向拼接

横向全拼接(默认索引全保留)

横向关联拼接(只保留左右都存在的索引行)

二、DataFrame.merge：类似 vlookup

语法：

merge(left,right, how='inner',on=None, left_on=None, right_on=None,

left_index=False, right_index=False, sort=True,

suffixes=('_x','_y'), copy=True, indicator=False)

类似于关系型数据库的连接方式，可以根据一个或多个键将不同的DatFrame连接起来。该函数的典型应用场景是，针对同一个主键存在两张不同字段的表，根据主键整合到一张表里面。

参数介绍：

left和right：两个不同的DataFrame;

how：连接方式，有inner、left、right、outer，默认为inner;

on：指的是用于连接的列索引名称，必须存在于左右两个DataFrame中，如果没有指定且其他参数也没有指定，则以两个DataFrame列名交集作为连接键;

left_on：左侧DataFrame中用于连接键的列名，这个参数左右列名不同但代表的含义相同时非常的有用;

right_on：右侧DataFrame中用于连接键的列名;

left_index：使用左侧DataFrame中的行索引作为连接键;

right_index：使用右侧DataFrame中的行索引作为连接键;

sort：默认为True，将合并的数据进行排序，设置为False可以提高性能;

suffixes：字符串值组成的元组，用于指定当左右DataFrame存在相同列名时在列名后面附加的后缀名称，默认为('_x', '_y');

copy：默认为True，总是将数据复制到数据结构中，设置为False可以提高性能;

indicator：显示合并数据中数据的来源情况

举例：

没有指定连接键，默认用重叠列名，没有指定连接方式，默认inner内连接(取key的交集)

通过how，指定连接方式

多键连接时将连接键组成列表传入，例：pd.merge(df1,df2,on=['key1','key2']

如果两个对象的列名不同，可以使用left_on，right_on分别指定

三、DataFrame.join：主要用于索引上的合并

语法：

join(self, other,on=None, how='left', lsuffix='', rsuffix='',sort=False):

其参数的意义与merge方法中的参数意义基本一样。该方法最为简单，主要用于索引上的合并。

举例：

使用join，默认使用索引进行关联

使用merge，指定使用索引进行关联，代码更复杂

使用concat，默认索引全部保留

四、Series.append：纵向追加Series

语法：

(self, to_append, ignore_index=False, verify_integrity=False)

举例：

五、DataFrame.append:纵向追加DataFrame

语法：

(self, other, ignore_index=False, verify_integrity=False, sort=False)

举例：

总结

join 最简单，主要用于基于索引的横向合并拼接

merge 最常用，主要用于基于指定列的横向合并拼接

concat最强大，可用于横向和纵向合并拼接

append，主要用于纵向追加