1. 使用pd.concat()级联

• pandas使用pd.concat函数，与np.concatenate函数类似

# 导包import numpy as npimport pandas as pd​# 为方便讲解，我们首先定义一个生成DataFrame的函数def make_df(indexs,columns):    data = [[str(j)+str(i) for j in columns] for i in indexs]    df = pd.DataFrame(data=data,index=indexs,columns=columns)    return df​make_df([1,2,3,4],list("ABCD"))

	A	B	C	D
1	A1	B1	C1	D1
2	A2	B2	C2	D2
3	A3	B3	C3	D3
4	A4	B4	C4	D4

• 简单级联

df1 = make_df([1,2],["A","B"])df2 = make_df([3,4],["A","B"])display(df1,df2)

	A	B
1	A1	B1
2	A2	B2

	A	B
3	A3	B3
4	A4	B4

# 默认上下合并（垂直合并）pd.concat([df1,df2])

	A	B
1	A1	B1
2	A2	B2
3	A3	B3
4	A4	B4

# 左右合并（水平合并）pd.concat([df1,df2],axis=1)

	A	B	A	B
1	A1	B1	NaN	NaN
2	A2	B2	NaN	NaN
3	NaN	NaN	A3	B3
4	NaN	NaN	A4	B4

# 忽略行索引：重置索引pd.concat([df1,df2],ignore_index=True)

	A	B
0	A1	B1
1	A2	B2
2	A3	B3
3	A4	B4

# 使用多层索引 keyspd.concat([df1,df2],keys=["x","y"])

		A	B
x	1	A1	B1
	2	A2	B2
y	3	A3	B3
	4	A4	B4

pd.concat([df1,df2],keys=["x","y"], axis=1)

	x		y
	A	B	A	B
1	A1	B1	NaN	NaN
2	A2	B2	NaN	NaN
3	NaN	NaN	A3	B3
4	NaN	NaN	A4	B4

• 不匹配级联

不匹配指的是级联的维度的索引不一致，例如纵向级联时列索引不一致，横向级联时行索引不一致。

df3 = make_df([1,2,3,4],list("ABCD"))df4 = make_df([2,3,4,5],list("BCDE"))display(df3,df4)

	A	B	C	D
1	A1	B1	C1	D1
2	A2	B2	C2	D2
3	A3	B3	C3	D3
4	A4	B4	C4	D4

	B	C	D	E
2	B2	C2	D2	E2
3	B3	C3	D3	E3
4	B4	C4	D4	E4
5	B5	C5	D5	E5

# 对应索引没有值，会自动用NaN填充pd.concat([df3,df4])

	A	B	C	D	E
1	A1	B1	C1	D1	NaN
2	A2	B2	C2	D2	NaN
3	A3	B3	C3	D3	NaN
4	A4	B4	C4	D4	NaN
2	NaN	B2	C2	D2	E2
3	NaN	B3	C3	D3	E3
4	NaN	B4	C4	D4	E4
5	NaN	B5	C5	D5	E5

# 外连接：类似并集，显示所有数据pd.concat([df3,df4],join="outer")

	A	B	C	D	E
1	A1	B1	C1	D1	NaN
2	A2	B2	C2	D2	NaN
3	A3	B3	C3	D3	NaN
4	A4	B4	C4	D4	NaN
2	NaN	B2	C2	D2	E2
3	NaN	B3	C3	D3	E3
4	NaN	B4	C4	D4	E4
5	NaN	B5	C5	D5	E5

# 内连接：类似交集，只显示共同的部分pd.concat([df3,df4],join="inner")

	B	C	D
1	B1	C1	D1
2	B2	C2	D2
3	B3	C3	D3
4	B4	C4	D4
2	B2	C2	D2
3	B3	C3	D3
4	B4	C4	D4
5	B5	C5	D5