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
本文内容不用于商业目的，如涉及知识产权问题，请权利人联系51Testing小编(021-64471599-8017)，我们将立即处理。
