在进行表格操作的时候，经常需要将两个excel表格数据进行横向合并，或者对原有的数据进行纵向扩充，这时候，就可以使用Pandas里面的 merge 纵向合并和 concat 横向连接功能了，如下： 
2. 纵向合并
pd.merge
left ：第一个df right ：第二个df on ：参考键（left_on左边df的参考键、right_on右边df的参考键） left_index、right_index ：左右的参考索引 how ：合并方式 sort ：排序参数 suffixes=('_x', '_y') 相同列标题时，主动添加后缀部分
样本数据生成：
df1 = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})
df2 = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']})
df3 = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
'key2': ['K0', 'K1', 'K0', 'K1'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})
df4 = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
'key2': ['K0', 'K0', 'K0', 'K0'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']})
2.1 按照相同的列标题进行数据合并
print(df1)
print(df2)
print(pd.merge(df1, df2, on='key'))
–> 输出的结果为：（最后的输出结果是按住key字段数据进行纵向合并）
key A B
0 K0 A0 B0
1 K1 A1 B1
2 K2 A2 B2
3 K3 A3 B3
key C D
0 K0 C0 D0
1 K1 C1 D1
2 K2 C2 D2
3 K3 C3 D3
key A B C D
0 K0 A0 B0 C0 D0
1 K1 A1 B1 C1 D1
2 K2 A2 B2 C2 D2
3 K3 A3 B3 C3 D3
2.2 按照多列标题进行数据合并
print(df3)
print(df4)
print(pd.merge(df3, df4, on=['key1','key2']))
–> 输出的结果为：（按照两列相同的数据为依据进行纵向数据合并，不同的行数据会被舍弃）
key1 key2 A B
0 K0 K0 A0 B0
1 K0 K1 A1 B1
2 K1 K0 A2 B2
3 K2 K1 A3 B3
key1 key2 C D
0 K0 K0 C0 D0
1 K1 K0 C1 D1
2 K1 K0 C2 D2
3 K2 K0 C3 D3
key1 key2 A B C D
0 K0 K0 A0 B0 C0 D0
1 K1 K0 A2 B2 C1 D1
2 K1 K0 A2 B2 C2 D2
2.3 合并方式
根据前面的列出的参数可知参数 how：
1）合并方式默认是 inner ，也就是取交集的意思；
2）此外还有 outer 取并集，数据缺失范围NaN；
3） how = 'left' ，按照左侧的df（下面的df3）为参考合并，数据缺失范围NaN
4） how = 'right' ，按照右侧的df（下面的df4）为参考合并，数据缺失范围NaN
print(pd.merge(df3, df4,on=['key1','key2'], how = 'inner'))
print(pd.merge(df3, df4, on=['key1','key2'], how = 'outer'))
print(pd.merge(df3, df4, on=['key1','key2'], how = 'left'))
print(pd.merge(df3, df4, on=['key1','key2'], how = 'right'))
–> 输出的结果为：
key1 key2 A B C D
0 K0 K0 A0 B0 C0 D0
1 K1 K0 A2 B2 C1 D1
2 K1 K0 A2 B2 C2 D2
key1 key2 A B C D
0 K0 K0 A0 B0 C0 D0
1 K0 K1 A1 B1 NaN NaN
2 K1 K0 A2 B2 C1 D1
3 K1 K0 A2 B2 C2 D2
4 K2 K1 A3 B3 NaN NaN
5 K2 K0 NaN NaN C3 D3
key1 key2 A B C D
0 K0 K0 A0 B0 C0 D0
1 K0 K1 A1 B1 NaN NaN
2 K1 K0 A2 B2 C1 D1
3 K1 K0 A2 B2 C2 D2
4 K2 K1 A3 B3 NaN NaN
key1 key2 A B C D
0 K0 K0 A0 B0 C0 D0
1 K1 K0 A2 B2 C1 D1
2 K1 K0 A2 B2 C2 D2
3 K2 K0 NaN NaN C3 D3
2.4 按照行标题和索引标签进行数据合并
left_on, right_on, left_index, right_index → 有时候合并的两组的依据数据内容是一样，但是标题（可以是行标题，也可以是索引标签的name）不一样时候，可以单独设置左键与右键
1） 都是以行标题为键（ left_on 、 right_on ）
df1 = pd.DataFrame({'lkey':list('bbacaab'),
'data1':range(7)})
df2 = pd.DataFrame({'rkey':list('abd'),
'date2':range(3)})
print(df1)
print(df2)
print(pd.merge(df1, df2, left_on='lkey', right_on='rkey'))
–> 输出的结果为：（依据的键的内容也会在数组列表中，可扩展）
lkey data1
0 b 0
1 b 1
2 a 2
3 c 3
4 a 4
5 a 5
6 b 6
rkey date2
0 a 0
1 b 1
2 d 2
lkey data1 rkey date2
0 b 0 b 1
1 b 1 b 1
2 b 6 b 1
3 a 2 a 0
4 a 4 a 0
5 a 5 a 0
2） 一个以行标题，一个以索引标签（ left_on 、 right_index ）
df1 = pd.DataFrame({'key':list('abcdfeg'),
'data1':range(7)})
df2 = pd.DataFrame({'date2':range(100,105)},
index = list('abcde'))
print(df1)
print(df2)
print(pd.merge(df1, df2, left_on='key', right_index=True))
–> 输出的结果为：（会选取相同的部分，不符合的会被舍弃）
key data1
0 a 0
1 b 1
2 c 2
3 d 3
4 f 4
5 e 5
6 g 6
date2
a 100
b 101
c 102
d 103
e 104
key data1 date2
0 a 0 100
1 b 1 101
2 c 2 102
3 d 3 103
5 e 5 104
所以left_on, right_on, left_index, right_index可以相互组合（四种搭配）：
left_on + right_on , left_on + right_index , left_index + right_on , left_index + right_index
3） sort 参数，这里可以使用，但是建议使用 sort_values ， sort_index ，比较精细化
4） suffixes=('_x', '_y') 默认当数据的标题重名时候是以 _x ,和 _y 作为后缀的，可以进行修改
df1 = pd.DataFrame({'key':list('adcbfeg'),
'data1':[1,3,2,4,5,9,7]})
df2 = pd.DataFrame({'data1':range(100,105)},
index = list('abcde'))
print(df1)
print(df2)
print(pd.merge(df1, df2, left_on='key', sort=True,suffixes=('_1', '_2'), right_index=True))
–> 输出的结果为：
key data1
0 a 1
1 d 3
2 c 2
3 b 4
4 f 5
5 e 9
6 g 7
data1
a 100
b 101
c 102
d 103
e 104
key data1_1 data1_2
0 a 1 100
3 b 4 101
2 c 2 102
1 d 3 103
5 e 9 104
3. 横向连接
pd.concat (objs, axis=0, join=‘outer’, join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)
括号内为默认参数
s1 = pd.Series([1,2,3])
s2 = pd.Series([2,3,4])
s3 = pd.Series([1,2,3],index = ['a','c','h'])
s4 = pd.Series([2,3,4],index = ['b','e','d'])
print(pd.concat([s1,s2]))
print(pd.concat([s3,s4]).sort_index())
–> 输出的结果为：
0 1
1 2
2 3
0 2
1 3
2 4
dtype: int64
a 1
b 2
c 2
d 4
e 3
h 3
dtype: int64
3.1 默认 axis=0 ，行+行，当 axis=1 ,列+列
print(pd.concat([s3,s4], axis=1))
–> 输出的结果为：
0 1
a 1.0 NaN
b NaN 2.0
c 2.0 NaN
d NaN 4.0
e NaN 3.0
h 3.0 NaN
3.2 连接方式：join，join_axes
join ：{‘inner’，‘outer’}，默认为“outer”。如何处理其他轴上的索引。outer为联合和inner为交集。
join_axes ：指定联合的index
s5 = pd.Series([1,2,3],index = ['a','b','c'])
s6 = pd.Series([2,3,4],index = ['b','c','d'])
print(pd.concat([s5,s6], axis= 1))
print(pd.concat([s5,s6], axis= 1, join='inner'))
print(pd.concat([s5,s6], axis= 1, join_axes=[['a','b','d']]))
–> 输出的结果为：
0 1
a 1.0 NaN
b 2.0 2.0
c 3.0 3.0
d NaN 4.0
0 1
b 2 2
c 3 3
0 1
a 1.0 NaN
b 2.0 2.0
d NaN 4.0
3.3 多层次索引标签（覆盖列名）
1） keys ：序列，默认值无。使用传递的键作为最外层构建层次索引
sre = pd.concat([s5,s6], keys = ['one','two'])
print(sre,type(sre))
print(sre.index)
–> 输出的结果为：
one a 1
b 2
c 3
two b 2
c 3
d 4
dtype: int64 <class 'pandas.core.series.Series'>
MultiIndex([('one', 'a'),
('one', 'b'),
('one', 'c'),
('two', 'b'),
('two', 'c'),
('two', 'd')],
)
2） axis = 1 , 覆盖列名（相当于指定新的列标题）
sre = pd.concat([s5,s6], axis=1, keys = ['one','two'])
print(sre,type(sre))
–> 输出的结果为：
one two
a 1.0 NaN
b 2.0 2.0
c 3.0 3.0
d NaN 4.0 <class 'pandas.core.frame.DataFrame'>
★★★★★ 3.4 数据修补
1） pd.combine_first() 进行数据的修补， 是将括号里面的数据df2补充到前面的数据df1中
df1 = pd.DataFrame([[np.nan, 3., 5.], [-4.6, np.nan, np.nan],[np.nan, 7., np.nan]])
df2 = pd.DataFrame([[-42.6, np.nan, -8.2], [-5., 1.6, 4]],index=[1, 2])
print(df1)
print(df2)
print(df1.combine_first(df2))
–> 输出的结果为：
0 1 2
0 NaN 3.0 5.0
1 -4.6 NaN NaN
2 NaN 7.0 NaN
0 1 2
1 -42.6 NaN -8.2
2 -5.0 1.6 4.0
0 1 2
0 NaN 3.0 5.0
1 -4.6 NaN -8.2
2 -5.0 7.0 4.0
2） update() 直接df2覆盖df1，相同index位置，更新df1中的数据
df1.update(df2)
print(df1)
–> 输出的结果为：（注意对比和上面的结果）
0 1 2
0 NaN 3.0 5.0
1 -42.6 NaN -8.2
2 -5.0 1.6 4.0