前几天，在一个群里面，看到一位朋友，说自己接到了阿里的面试，人家问了一些关于pandas的使用。其中一个问题是：pandas中合并数据的5中方法。
今天借着这个机会，就为大家盘点一下pandas中合并数据的5个函数。但是对于每个函数，我这里不打算详细说明，具体用法大家可以参考pandas官当文档。
- join主要用于基于索引的横向合并拼接；
- merge主要用于基于指定列的横向合并拼接；
- concat可用于横向和纵向合并拼接；
- append主要用于纵向追加；
- combine可以通过使用函数，把两个DataFrame按列进行组合。
join
join是基于索引的横向拼接，如果索引一致，直接横向拼接。如果索引不一致，则会用Nan值填充。
索引一致
x = pd.DataFrame({
'A': ['A0', 'A1', 'A2'],
'B': ['B0', 'B1', 'B2']},
index=[0, 1, 2])
y = pd.DataFrame({
'C': ['C0', 'C2', 'C3'],
'D': ['D0', 'D2', 'D3']},
index=[0, 1, 2])
x.join(y)
结果如下：
索引不一致
x = pd.DataFrame({
'A': ['A0', 'A1', 'A2'],
'B': ['B0', 'B1', 'B2']},
index=[0, 1, 2])
y = pd.DataFrame({
'C': ['C0', 'C2', 'C3'],
'D': ['D0', 'D2', 'D3']},
index=[1, 2, 3])
x.join(y)
结果如下：
merge
merge是基于指定列的横向拼接，该函数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。
- 可以指定不同的how参数，表示连接方式，有inner内连、left左连、right右连、outer全连，默认为inner;
x = pd.DataFrame({
'姓名': ['张三', '李四', '王五'],
'班级': ['一班', '二班', '三班']})
y = pd.DataFrame({
'专业': ['统计学', '计算机', '绘画'],
'班级': ['一班', '三班', '四班']})
pd.merge(x,y,how="left")
结果如下：
concat
concat函数既可以用于横向拼接，也可以用于纵向拼接。
纵向拼接
x = pd.DataFrame([['Jack','M',40],['Tony','M',20]], columns=['name','gender','age'])
y = pd.DataFrame([['Mary','F',30],['Bob','M',25]], columns=['name','gender','age'])
z = pd.concat([x,y],axis=0)
z
结果如下：
横向拼接
x = pd.DataFrame({
'姓名': ['张三', '李四', '王五'],
'班级': ['一班', '二班', '三班']})
y = pd.DataFrame({
'专业': ['统计学', '计算机', '绘画'],
'班级': ['一班', '三班', '四班']})
z = pd.concat([x,y],axis=1)
z
结果如下：
append
append主要用于纵向追加数据。
x = pd.DataFrame([['Jack','M',40],['Tony','M',20]], columns=['name','gender','age'])
y = pd.DataFrame([['Mary','F',30],['Bob','M',25]], columns=['name','gender','age'])
x.append(y)
结果如下：
combine
conbine可以通过使用函数，把两个DataFrame按列进行组合。
x = pd.DataFrame({
"A":[3,4],"B":[1,4]})
y = pd.DataFrame({
"A":[1,2],"B":[5,6]})
x.combine(y,lambda a,b:np.where(a>b,a,b))
结果如下：
注：上述函数，用于返回对应位置上的最大值。