写在前言：
1. 阅读，并不是为了记住所有的细节，而是要知晓这个事物的存在，并在合适的时机去使用它；
2. 当你跟随别人使用一个技术时，往往并不能感受其存在的必要意义，然而，当你带着问题去寻找解决方案时，在找到的那一刹，一定能深深地体会到其存在的合理性和必要性。
在做数据分析时，经常会遇到这样的问题：数据分布在多个数据源，当从这些数据源查询数据时，每个数据源都得到一个list，每个list中有着不同意义的字段数据，那么如何将多个list的数据内容合并成一个list来做统计分析？举个例子，我需要分析不同城市的人对某个page的点击次数，数据分布在MySQL和MongoDB中。
1）MySQL中查询出来的数据：
2）MongoDB中查询出来的数据：
[{'page_click_count': 20, 'user_id': 1},
{'page_click_count': 38, 'user_id': 2},
{'page_click_count': 10, 'user_id': 3}]
3）现在需要将两个列表融合起来，得到一个新的列表：
[{'city': 'BeiJing', 'page_click_count': 20, 'user_id': 1},
{'city': 'NanJing', 'page_click_count': 38, 'user_id': 2},
{'city': 'BeiJing', 'page_click_count': 10, 'user_id': 3},
{'city': 'TianJin', 'page_click_count': 0, 'user_id': 4}]
这样的问题在实际操作中会遇到很多，对应单纯的MySQL还好，如果是多个数据源或者MongoDB(MongoDB不支持JOIN)，就会比较棘手了，我们且将这个问题称为异源数据融合问题（这里暂不考虑优化数据源的问题）。
要解决这个问题，通过程序编写逻辑来实现肯定是可以做到的，比如对第一个列表生成一个dict，然后循环第二个列表，如果发现dict中有user_id就插入对应数据到第二个列表中。然而，如果需要融合的不止2个，而是超过四五个，这么做就会显得很丑陋和繁琐了，此时，你可以选择自己封装一个API，或者寻找已有的解决方案。
在遇到这个问题之前，笔者就接触过一点pandas库的知识，但是因为没有很强的业务需求就没有深入使用，但是在大脑中还是保留着一个印象的：pandas是一个强大的数据分析工具包，其核心基础是数组和矩阵。带着上面的疑问和对panadas的一点点认知，开始google寻找解决方案。而pandas正好提供了这么一个强大的将数据规整化的方法：pandas.merge。
pandas.merge可以根据一个或多个键将不同的DataFrame中的行连接起来，实现了SQL JOIN风格的合并方法。以上面的问题为例，
1）构建数据结构DataFrame（Series与DataFrame是pandas的核心数据结构）:
2）调用merge函数，实现数据合并：
是不是很简单？通过调用pandas.merge方法直接就解决了上述的问题，即使有多个数据源数据，也可以轻松的解决。如果你比较细心，那么一定会发现几个问题：
1）这里，并没有指定要用哪个列来做JOIN。默认的，如果没有指定，pandas就会将重叠列的列名作为键，不过，最好是显示指定一下：
但是，如果两个DataFrame对象的列名不同，该如何做呢？pandas也为你想到了，可以分别指定两个不同名字的列名来做JOIN：
2）原始数据中有四个用户id，而在上面的结果中，只有id为1,2,3的用户，那么id=4的那个用户信息哪里去了？id=4的数据消失是因为我们这里没有指定JOIN的方式，默认的，pandas使用的是INNER方式，跟SQL语法一样，只取能完全匹配的数据，如果需要保留id=4的用户信息，则需要使用LEFT的方式，如下：
通过pandas提供的merge方法，我们完美的解决了文章开始时提出的异源数据融合的问题，而pandas的强大之处远远不止于此，有需求就有解决方案，pandas的存在正是为了解决各个数据分析人员的痛楚，而我们要做的是合理使用其功能来解决实际问题。
附：关于pandas.merge的使用参数，可以进一步查看官方文档。
（全文完，本文地址：http://blog.csdn.net/zwgdft/article/details/53144591）
Bruce，2016/11/15