京公网安备 11010802034615号
经营许可证编号:京B2-20210330
在pandas中,有多种方法可以合并和拼接数据。常见的方法包括append()、concat()、merge()。
append()函数用于将一个DataFrame或Series对象追加到另一个DataFrame中。
import pandas as pd
df1 = pd.DataFrame({'A': ['a', 'b'],
'B': [1, 2]})
df1
| A | B | |
|---|---|---|
| 0 | a | 1 |
| 1 | b | 2 |
df2 = pd.DataFrame({'A': [ 'b', 'c','d'],
'B': [2, 3, 4]})
df2
| A | B | |
|---|---|---|
| 0 | b | 2 |
| 1 | c | 3 |
| 2 | d | 4 |
df1.append(df2,ignore_index=True)
| A | B | |
|---|---|---|
| 0 | a | 1 |
| 1 | b | 2 |
| 2 | b | 2 |
| 3 | c | 3 |
| 4 | d | 4 |
concat()函数用于沿指定轴将多个对象(比如Series、DataFrame)堆叠在一起。可以沿行或列方向进行拼接。
先看一个上下堆叠的例子
df1 = pd.DataFrame({'A': ['a', 'b'],
'B': [1, 2]})
df1
| A | B | |
|---|---|---|
| 0 | a | 1 |
| 1 | b | 2 |
df2 = pd.DataFrame({'A': [ 'b', 'c','d'],
'B': [2, 3, 4]})
df2
| A | B | |
|---|---|---|
| 0 | b | 2 |
| 1 | c | 3 |
| 2 | d | 4 |
pd.concat([df1,df2],axis =0) # 上下拼接
| A | B | |
|---|---|---|
| 0 | a | 1 |
| 1 | b | 2 |
| 0 | b | 2 |
| 1 | c | 3 |
| 2 | d | 4 |
再看一个左右堆叠的例子
df1 = pd.DataFrame({'A': ['a', 'b']})
df1
| A | |
|---|---|
| 0 | a |
| 1 | b |
df2 = pd.DataFrame({'B': [1, 2],
'C': [2, 4]})
df2
| B | C | |
|---|---|---|
| 0 | 1 | 2 |
| 1 | 2 | 4 |
pd.concat([df1,df2],axis =1) # 左右拼接
| A | B | C | |
|---|---|---|---|
| 0 | a | 1 | 2 |
| 1 | b | 2 | 4 |
merge()函数用于根据一个或多个键将两个DataFrame的行连接起来。类似于SQL中的JOIN操作。

先看一下 inner 和 outer连接
df1 = pd.DataFrame({'A': ['a', 'b', 'c'],
'B': [1, 2, 3]})
df1
| A | B | |
|---|---|---|
| 0 | a | 1 |
| 1 | b | 2 |
| 2 | c | 3 |
df2 = pd.DataFrame({'A': [ 'b', 'c','d'],
'B': [2, 3, 4]})
df2
| A | B | |
|---|---|---|
| 0 | b | 2 |
| 1 | c | 3 |
| 2 | d | 4 |
pd.merge(df1,df2,how = 'inner')
| A | B | |
|---|---|---|
| 0 | b | 2 |
| 1 | c | 3 |
pd.merge(df1,df2,how = 'outer')
| A | B | |
|---|---|---|
| 0 | a | 1 |
| 1 | b | 2 |
| 2 | c | 3 |
| 3 | d | 4 |
再看左右链接的例子:
df1 = pd.DataFrame({'A': ['a', 'b', 'c'],
'B': [1, 2, 3]})
df1
| A | B | |
|---|---|---|
| 0 | a | 1 |
| 1 | b | 2 |
| 2 | c | 3 |
df2 = pd.DataFrame({'A': [ 'b', 'c','d'],
'C': [2, 3, 4]})
df2
| A | C | |
|---|---|---|
| 0 | b | 2 |
| 1 | c | 3 |
| 2 | d | 4 |
pd.merge(df1,df2,how = 'left',on = "A") # 左连接
| A | B | C | |
|---|---|---|---|
| 0 | a | 1 | NaN |
| 1 | b | 2 | 2.0 |
| 2 | c | 3 | 3.0 |
pd.merge(df1,df2,how = 'right',on = "A") # 右连接
| A | B | C | |
|---|---|---|---|
| 0 | b | 2.0 | 2 |
| 1 | c | 3.0 | 3 |
| 2 | d | NaN | 4 |
pd.merge(df1,df2,how = 'inner',on = "A") # 内连接
| A | B | C | |
|---|---|---|---|
| 0 | b | 2 | 2 |
| 1 | c | 3 | 3 |
pd.merge(df1,df2,how = 'outer',on = "A") # 外连接
| A | B | C | |
|---|---|---|---|
| 0 | a | 1.0 | NaN |
| 1 | b | 2.0 | 2.0 |
| 2 | c | 3.0 | 3.0 |
| 3 | d | NaN | 4.0 |
补充1个小技巧
df1[df1['A'].isin(df2['A'])] # 返回在df1中列'A'的值在df2中也存在的行
| A | B | |
|---|---|---|
| 1 | b | 2 |
| 2 | c | 3 |
df1[~df1['A'].isin(df2['A'])] # 返回在df1中列'A'的值在df2中不存在的行
| A | B | |
|---|---|---|
| 0 | a | 1 |
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师 出品 作者:李诗怡 多表进阶与 DDL/DML 连接 · 子查询 · 合并 · 建表与书写规范 ” 三、DQL 多表进阶:连 ...
2026-11-20 前面讲了怎么搭指标体系,但很多团队卡在最后一步:高层定了一个漂亮的目标,往下一层层写进周报,最后却落不到任何人的具体 ...
2026-11-20 很多团队做数据分析的现状是:老板要一个数就拉一个数,周报里堆满了 GMV、DAU、转化率,却没人说得清这些数之间是什么关系 ...
2026-11-20这周你大概又经历过一次:报表自己跑了,SQL 让 AI 写了,连周报初稿都不用自己动手。你一边松口气,一边心里发慌——那我还剩什 ...
2026-11-20 做产品立项、写商业计划书、规划市场进入策略时,"市场调研"和"竞品分析"几乎总是被绑在一起说,甚至被当成同一件事。但实际 ...
2026-11-19 在做数据治理、搭数据中台或者梳理数据库表结构时,"主数据"和"参考数据"是被提及频率最高、也最容易被混为一谈的两个概念。 ...
2026-11-19“纲举目张,执本末从。”若想在数据分析领域有所收获,一套合适的学习教材至关重要。一套优质且契合需求的学习教材无疑是那关键 ...
2026-11-19一、什么是本体 在知识图谱和语义建模里,本体(Ontology)是对一个领域内概念、属性、关系和实例的形式化描述。它回答三个问题 ...
2026-11-18一、K-S 曲线解决什么问题 风控评分卡、客户流失模型、欺诈识别模型建好之后,最核心的一个问题是:模型能不能把"会变坏"和"不会 ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18产品上线之后,真正回答"用户是谁、想要什么、卡在哪里"的,往往不是调研问卷,而是用户留下的一条条行为记录。点击、浏览、停留 ...
2026-11-17在日常数据库开发与报表查询中,日期格式几乎是最高频的"打交道"对象:页面上要展示 yyyy-MM-dd,接口要返回 ISO 8601 字符串, ...
2026-11-17核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-17一、销售行业为什么离不开大数据分析 销售行业的本质是"把合适的产品,在合适的时间,卖给合适的人,并持续复购"。传统销售靠经 ...
2026-11-16一、什么是频数分布 拿到一批连续数据(员工年龄、商品价格、考试分数、订单金额),最想先看的往往不是平均值,而是数据集中在 ...
2026-11-16教育部办公厅关于成立全国数据职业教育教学指导委员会(2026—2030年)的通知 教职成厅函〔2026〕25号 各省、自治区、直辖市教 ...
2026-11-16CDA数据分析师 出品 作者:李诗怡 基础与单表查询 四大类语言 · 数据库基础 · DQL 单表查询 ” 一、SQL 四大类语言与数据 ...
2026-11-13核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-13一、问题从哪来 财务分析里算增长率,常规公式所有人都会写: 增长率本年数上年数上年数 这个公式在"上年为正"时完全成立。但一 ...
2026-11-12