真實場景中常會遇到多種信息放在不同的表里的情況，此時我們就需要將這些表格的信息整合到一起。這種操作可以極大地減輕我們手動粘數據的工作，從而達到事半功倍的效果。

由于本篇要舉的例子較多，因此直接采用官網數據進行說明。

1、簡單合并方法

首先給定三個表：

df1A B C D 0 A0 B0 C0 D0 1 A1 B1 C1 D1 2 A2 B2 C2 D2 3 A3 B3 C3 D3df2A B C D 4 A4 B4 C4 D4 5 A5 B5 C5 D5 6 A6 B6 C6 D6 7 A7 B7 C7 D7df3A B C D 8 A8 B8 C8 D8 9 A9 B9 C9 D9 10 A10 B10 C10 D10 11 A11 B11 C11 D11

表中的表頭為A,B,C,D四列，每列中包含的數據不相同，此時對其直接進行合并。

frames = [df1, df2, df3]result = pd.concat(frames)resultA B C D 0 A0 B0 C0 D0 1 A1 B1 C1 D1 2 A2 B2 C2 D2 3 A3 B3 C3 D3 4 A4 B4 C4 D4 5 A5 B5 C5 D5 6 A6 B6 C6 D6 7 A7 B7 C7 D7 8 A8 B8 C8 D8 9 A9 B9 C9 D9 10 A10 B10 C10 D10 11 A11 B11 C11 D11

可以看到，這種操作十分方便。

這個看似簡單的操作在許多時候能夠起到大作用。比如我們統計一些學生的高考成績（剛好4列），這些學生的高考成績按照學校、班級存在許多個不同的文件中。那么此時我們可以結合os的方法將所有表格依次讀出再合并為一個表。想象一下比如有100張表格，那么我們只需要簡單幾句代碼就能全部合并起來。而手動操作的話光是打開、復制、粘貼就至少得1-2個小時才能完成，如果每張表頭的擺放順序不一樣還會花費更多的時間。

合并函數的定義是這樣的：

pd.concat(objs, axis=0, join='outer', ignore_index=False, keys=None,levels=None, names=None, verify_integrity=False, copy=True)

其中objs即是要被合并的對象（可以是許多類型），詳細的說明可以直接查看官網，這里我們只挑最重要的問題進行講解。

2、選擇拼接方向

axis默認是0，可以理解為按行拼接。下面我們試試設為1：

result = pd.concat([df1, df2], axis=1, sort=False)resultA B C D A B C D 0 A0 B0 C0 D0 NaN NaN NaN NaN 1 A1 B1 C1 D1 NaN NaN NaN NaN 2 A2 B2 C2 D2 NaN NaN NaN NaN 3 A3 B3 C3 D3 NaN NaN NaN NaN 4 NaN NaN NaN NaN A4 B4 C4 D4 5 NaN NaN NaN NaN A5 B5 C5 D5 6 NaN NaN NaN NaN A6 B6 C6 D6 7 NaN NaN NaN NaN A7 B7 C7 D7

可以看到，此時是將兩張表合并到了一起，并具有名稱相同的列，但它們各自對應的index還是原來的。

3、選擇拼接方式

直接對上面的兩張表做這樣一個操作：

result = pd.concat([df1, df2], axis=1, join='inner',sort=False)Empty DataFrame Columns: [A, B, C, D, A, B, C, D] Index: []

這里要注意一個問題：當我們按照inner方式進行合并的時候，它是選擇兩個表共有的index或者column進行合并。而這里我們看到df1和df2并沒有共同的index，而此時又是按照橫向拼接的，因此結果為空。

為了方便敘述我們再造一張表，演示一下從不同方向的inner合并結果：

df4 = pd.DataFrame({'B': ['B2', 'B3', 'B6', 'B7'],'D': ['D2', 'D3', 'D6', 'D7'],'F': ['F2', 'F3', 'F6', 'F7']},index=[2, 3, 6, 7])result = pd.concat([df1, df4], axis=1, join='inner',sort=False)resultA B C D B D F 2 A2 B2 C2 D2 B2 D2 F2 3 A3 B3 C3 D3 B3 D3 F3result = pd.concat([df1, df4], axis=0, join='inner',sort=False)resultB D 0 B0 D0 1 B1 D1 2 B2 D2 3 B3 D3 2 B2 D2 3 B3 D3 6 B6 D6 7 B7 D7

而其它的如重新分配key值、用append方法給表格添加數據等方法就相對容易理解了。有需要的同學直接查看文檔即可。

4、按照統一的key值合并

在實際應用場景中我們常會遇到這樣的情況：假設我手上有客戶的一些信息的表，但客戶的各類信息分散在不同的幾個表中，比如下面這種情況。

leftkey A B 0 K0 A0 B0 1 K1 A1 B1 2 K2 A2 B2 3 K3 A3 B3rightkey C D 0 K0 C0 D0 1 K1 C1 D1 2 K2 C2 D2 3 K3 C3 D3

這里key列可以看作是客戶的編號，而A,B,C,D分別是客戶的各類信息。那么此時我們想要將這兩張表合并起來，就可以用下面的方法：

result = pd.merge(left, right, on='key')resultkey A B C D 0 K0 A0 B0 C0 D0 1 K1 A1 B1 C1 D1 2 K2 A2 B2 C2 D2 3 K3 A3 B3 C3 D3

注意這個例子比較特殊，因為兩張表都有完全相同的key值，而真實場景中常常不能滿足這一條件，那么此時我們就要指定某張表作為主表。

這里我們先把右表的最后一行刪掉：

right = right.drop([3])key C D 0 K0 C0 D0 1 K1 C1 D1 2 K2 C2 D2

再指定左表為主表：

result = pd.merge(left, right, how='left', on='key')resultkey A B C D 0 K0 A0 B0 C0 D0 1 K1 A1 B1 C1 D1 2 K2 A2 B2 C2 D2 3 K3 A3 B3 NaN NaN

此時左表的所有key值就被保留了下來。

同理，如果以右表為主表，則只有右表的key值：

result = pd.merge(left, right, how='right', on='key')resultkey A B C D 0 K0 A0 B0 C0 D0 1 K1 A1 B1 C1 D1 2 K2 A2 B2 C2 D2

注意：此時還有一種場景也是經常遇到的，就是每張表的key值都不完整，那么此時就用outer方法進行合并：

left = left.drop([0]) # 刪掉左表第一行，那么此時兩張表的key值就都不完整了result = pd.merge(left, right, how='outer', on='key')resultkey A B C D 0 K1 A1 B1 C1 D1 1 K2 A2 B2 C2 D2 2 K3 A3 B3 NaN NaN 3 K0 NaN NaN C0 D0

相反，如果是用inner則取交集:

result = pd.merge(left, right, how='inner', on='key')resultkey A B C D 0 K1 A1 B1 C1 D1 1 K2 A2 B2 C2 D2

5、對比SQL

如果對SQL比較熟悉，那么學會Pandas的查詢方法則更加容易，由于官方已經給出了十分清楚的說明，這里就不再贅述，有興趣的同學可以自行查看：

Comparison with SQL

本系列教程教程完整目錄：

一、Pandas簡介與安裝

二、Pandas基本數據結構-DataFrame與Series

三、Pandas文件讀寫

四、Pandas數據索引方式

五、Pandas簡單統計操作及通用方式

六、Pandas條件查詢

七、Pandas缺失數據的處理（數據清洗基礎）

八、Pandas數據透視表

九、表的合并、連接、拼接（數據聚合基礎）

總結

以上是生活随笔為你收集整理的Pandas简明教程：九、表的合并、连接、拼接（数据聚合基础）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。