在使用pandas时，由于有join, merge, concat几种合并方式，而自己又不熟的情况下，很容易把几种搞混。本文就是为了区分几种合并方式而生的。
merge
merge用于左右合并（区别于上下堆叠类型的合并），其类似于SQL中的join，一般会需要按照两个DataFrame中某个共有的列来进行连接，如果不指定按照哪两列进行合并的话，merge会自动选择两表中具有相同列名的列进行合并（如果没有相同列名的列则会报错）。这里要注意用于连接的列并不一定只是一列。
用法
pd.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,
validate=None)
ok，例：
>>> import pandas as pd
>>> df1 = pd.DataFrame({'A':list('abcd'), 'B':list('efgh'), 'C': list('ijkl')})
>>> df1
A B C
0 a e i
1 b f j
2 c g k
3 d h l
>>> df2 = pd.DataFrame({'X':list('qwer'), 'Y':list('asdf'), 'C': list('ijkl')})
>>> df2
X Y C
0 q a i
1 w s j
2 e d k
3 r f l
>>> df1.merge(df2) # 这里默认以两表的共有列C进行连接
A B C X Y
0 a e i q a
1 b f j w s
2 c g k e d
3 d h l r f
- merge中可以使用参数on选择共有的列，用在上面的例子中的话就是
df1.merge(df2, on='C') - 如果两表中用于连接的列的列名不同，使用left_on, right_on选择两个表中用于连接的列
- 此外使用how参数选择最终结果需要保存的内容，有四种方式inner, outer, left, right
- inner表示只保存用于连接的两列所共有的值（也就是交集）
- outer表示保存用于连接的两列中出现的所有值（也就是并集）
- left表示只保存用于连接的左表的所有值对应的结果，如果某值只在右表的连接列中出现，那么就不会被保存
- right与left相反
- suffixes参数可以用于给两表的相同列名加上后缀，默认为(‘x’, ‘y’)
- left_index为True时表示使用左表的index作为连接键，right_index类似
上面的参数就不一一举例展示了。
join
join比较简单，其用于将两表按照索引列进行合并，能使用的参数也相对比较少
DataFrame.join(other, on=None, how='left', lsuffix='', rsuffix='', sort=False)
这里简单介绍一下参数：
- other就是另一张表
- on表示使用右表中的某一列和左表的index来连接
- how和上面一样
- lsuffix, rsuffix和上面一样，只是分开写了而已
- sort默认为False即不排序，但是如果为True时表示按照合并时使用到的值进行排序（也就是两表的索引或者左表的索引+右表的某一列）
concat
concat的功能相对多一点，其一般用于堆叠，可以用于纵向和横向的堆叠，只需要对应地选择axis参数即可。在堆叠时如果要堆叠的方向有相同的列名（如果是横向那么就是索引名），那么会自动堆叠在一起，其余没有同名的列（或索引）就会根据使用的join参数决定去留。
pandas.concat(objs, axis=0, join='outer', ignore_index=False, keys=None, levels=None,
names=None, verify_integrity=False, sort=False, copy=True)
参数：
- 要注意的是concat传入的是一个列表，如
pd.concat([df1, df2])这样 - axis表示选择哪一个方向的堆叠，0为纵向（默认），1为横向
- join，与上面的how类似
- ignore_index表示当索引无意义时忽略索引进行堆叠
- 其余先不介绍啦，用到的应该也不多
叮
本文举例比较少，但是是将三者的区别写的比较详细，若是需要的话读者可以自行尝试一下，相信聪明的你肯定没问题啦！
参考：https://blog.csdn.net/brucewong0516/article/details/82707492
参考：https://pandas.pydata.org/pandas-docs/stable/index.html