在Python中结合两个Pandas DataFrame的方法主要有：concat、merge、join、append。 其中，concat 和 merge 是最常用的两种方法。 concat 用于按轴连接DataFrame，可以设置连接方式为纵向或横向；而 merge 更类似于SQL中的连接操作，可以根据一个或多个键来合并两个DataFrame。以下将详细介绍这两种方法，并提供代码示例。
一、CONCAT
1.1、纵向连接
使用 concat 进行纵向连接时，默认情况下会按行将两个DataFrame上下拼接在一起。如果两个DataFrame的列名相同，则会将所有数据合并到一起。
代码示例：
import pandas as pd
df1 = pd.DataFrame({
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']
})
df2 = pd.DataFrame({
'A': ['A4', 'A5', 'A6', 'A7'],
'B': ['B4', 'B5', 'B6', 'B7'],
'C': ['C4', 'C5', 'C6', 'C7'],
'D': ['D4', 'D5', 'D6', 'D7']
})
result = pd.concat([df1, df2])
print(result)
结果解释：
上述代码将 df1 和 df2 按照行进行了拼接，结果是一个新的DataFrame，包含了 df1 和 df2 的所有行。
1.2、横向连接
concat 也可以用于横向连接，在这种情况下会按列将两个DataFrame拼接在一起。
代码示例：
result = pd.concat([df1, df2], axis=1)
print(result)
结果解释：
上述代码将 df1 和 df2 按照列进行了拼接，结果是一个新的DataFrame，包含了 df1 和 df2 的所有列。
1.3、忽略索引
在某些情况下，可能需要在连接时忽略索引并重新生成新的索引，可以通过设置 ignore_index=True 来实现。
代码示例：
result = pd.concat([df1, df2], ignore_index=True)
print(result)
结果解释：
上述代码在连接 df1 和 df2 时重新生成了新的索引，忽略了原有的索引。
二、MERGE
2.1、内连接（Inner Join）
merge 类似于SQL中的连接操作，可以根据一个或多个键来合并两个DataFrame。内连接是最常用的连接方式之一。
代码示例：
left = pd.DataFrame({
'key': ['K0', 'K1', 'K2', 'K3'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']
})
right = pd.DataFrame({
'key': ['K0', 'K1', 'K2', 'K3'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']
})
result = pd.merge(left, right, on='key')
print(result)
结果解释：
上述代码根据 key 列对 left 和 right 进行了内连接，结果是一个新的DataFrame，包含了 left 和 right 的所有列。
2.2、外连接（Outer Join）
外连接将两个DataFrame的所有数据合并在一起，对于那些在一个DataFrame中不存在的键，使用NaN填充。
代码示例：
left = pd.DataFrame({
'key': ['K0', 'K1', 'K2'],
'A': ['A0', 'A1', 'A2'],
'B': ['B0', 'B1', 'B2']
})
right = pd.DataFrame({
'key': ['K1', 'K2', 'K3'],
'C': ['C1', 'C2', 'C3'],
'D': ['D1', 'D2', 'D3']
})
result = pd.merge(left, right, on='key', how='outer')
print(result)
结果解释：
上述代码根据 key 列对 left 和 right 进行了外连接，结果是一个新的DataFrame，包含了 left 和 right 的所有列，对于那些在一个DataFrame中不存在的键，使用NaN填充。
2.3、左连接（Left Join）
左连接将左侧DataFrame的所有数据保留，并合并右侧DataFrame中与之匹配的数据，对于那些在右侧DataFrame中不存在的键，使用NaN填充。
代码示例：
result = pd.merge(left, right, on='key', how='left')
print(result)
结果解释：
上述代码根据 key 列对 left 和 right 进行了左连接，结果是一个新的DataFrame，包含了 left 的所有数据，并合并了 right 中与之匹配的数据。
2.4、右连接（Right Join）
右连接将右侧DataFrame的所有数据保留，并合并左侧DataFrame中与之匹配的数据，对于那些在左侧DataFrame中不存在的键，使用NaN填充。
代码示例：
result = pd.merge(left, right, on='key', how='right')
print(result)
结果解释：
上述代码根据 key 列对 left 和 right 进行了右连接，结果是一个新的DataFrame，包含了 right 的所有数据，并合并了 left 中与之匹配的数据。
三、JOIN
3.1、默认Join
join 方法主要用于按索引进行连接。默认情况下，join 方法是左连接。
代码示例：
left = pd.DataFrame({
'A': ['A0', 'A1', 'A2'],
'B': ['B0', 'B1', 'B2']
}, index=['K0', 'K1', 'K2'])
right = pd.DataFrame({
'C': ['C0', 'C1', 'C2'],
'D': ['D0', 'D1', 'D2']
}, index=['K0', 'K2', 'K3'])
result = left.join(right)
print(result)
结果解释：
上述代码按索引对 left 和 right 进行了左连接，结果是一个新的DataFrame，包含了 left 的所有数据，并合并了 right 中与之匹配的数据。
3.2、指定连接方式
可以通过设置 how 参数来指定连接方式，如内连接、外连接等。
代码示例：
result = left.join(right, how='outer')
print(result)
结果解释：
上述代码按索引对 left 和 right 进行了外连接，结果是一个新的DataFrame，包含了 left 和 right 的所有数据，对于那些在一个DataFrame中不存在的键，使用NaN填充。
四、APPEND
4.1、追加行
append 方法用于将一个DataFrame的行追加到另一个DataFrame中。
代码示例：
df1 = pd.DataFrame({
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']
})
df2 = pd.DataFrame({
'A': ['A4', 'A5', 'A6', 'A7'],
'B': ['B4', 'B5', 'B6', 'B7']
})
result = df1.append(df2)
print(result)
结果解释：
上述代码将 df2 的行追加到了 df1 中，结果是一个新的DataFrame，包含了 df1 和 df2 的所有行。
4.2、忽略索引
在某些情况下，可能需要在追加时忽略索引并重新生成新的索引，可以通过设置 ignore_index=True 来实现。
代码示例：
result = df1.append(df2, ignore_index=True)
print(result)
结果解释：
上述代码在追加 df2 的行到 df1 时重新生成了新的索引，忽略了原有的索引。
五、综合应用
在实际项目中，可能会遇到更加复杂的DataFrame连接需求，比如多个DataFrame的连接、根据多个键进行连接等。在这种情况下，可以结合使用上述方法来实现。
代码示例：
import pandas as pd
定义多个DataFrame
df1 = pd.DataFrame({
'key1': ['K0', 'K1', 'K2', 'K3'],
'key2': ['K0', 'K1', 'K0', 'K1'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']
})
df2 = pd.DataFrame({
'key1': ['K0', 'K1', 'K2', 'K3'],
'key2': ['K0', 'K0', 'K0', 'K0'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']
})
根据多个键进行连接
result = pd.merge(df1, df2, on=['key1', 'key2'], how='inner')
print(result)
结果解释：
上述代码根据 key1 和 key2 对 df1 和 df2 进行了内连接，结果是一个新的DataFrame，包含了 df1 和 df2 的所有列。
结论
结合两个Pandas DataFrame的方法有很多，主要包括 concat、merge、join、append。每种方法都有其独特的应用场景，选择合适的方法可以有效地解决数据处理问题。通过综合运用这些方法，可以满足各种复杂的数据处理需求。
在项目管理中，如果需要对数据进行复杂的处理和分析，可以使用 研发项目管理系统PingCode 和 通用项目管理软件Worktile 来提高工作效率。PingCode 专注于研发项目的管理，而 Worktile 则提供了更加通用的项目管理功能，适用于各种类型的项目管理需求。
相关问答FAQs：
1. 我如何将两个Pandas数据框合并在一起？
要将两个Pandas数据框合并在一起，您可以使用pd.merge()函数。该函数可以根据共同的列或索引将两个数据框连接起来。您可以指定连接的方式（如内连接、左连接、右连接或外连接），以及连接的列或索引。例如，如果您要根据共同的列ID将两个数据框df1和df2进行内连接，可以使用以下代码：
merged_df = pd.merge(df1, df2, on='ID', how='inner')
2. 如何在Pandas中使用concat函数将两个数据框堆叠起来？
要将两个Pandas数据框堆叠在一起，您可以使用pd.concat()函数。该函数可以按行或列的方式将多个数据框堆叠在一起。默认情况下，pd.concat()将按行堆叠数据框。例如，如果您要按行堆叠两个数据框df1和df2，可以使用以下代码：
stacked_df = pd.concat([df1, df2])
3. 我如何在Pandas中使用join函数将两个数据框连接起来？
要在Pandas中将两个数据框连接起来，您可以使用df.join()函数。该函数通过索引将两个数据框连接在一起。默认情况下，df.join()使用左连接。例如，如果您要将两个数据框df1和df2进行左连接，可以使用以下代码：
joined_df = df1.join(df2)
请注意，df.join()只能按索引连接数据框，如果要按照其他列进行连接，请使用pd.merge()函数。
文章包含AI辅助创作，作者：Edit2，如若转载，请注明出处：https://docs.pingcode.com/baike/903367
