一周学会Pandas2 Python数据处理与分析-Pandas2数据合并与对比-pd.concat()：轴向拼接
锋哥原创的Pandas2 Python数据处理与分析 视频教程：
2025版 Pandas2 Python数据处理与分析 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili
在数据分析中，数据往往分散在多个来源（如不同文件、数据库表或API），需要通过合并整合为统一视图。同时，数据清洗、版本更新或业务验证时，常需对比数据差异以确保一致性。
一般有这样几种情况：
一是两份数据的列名完全相同，把其中一份数据追加到另一份的后面；
二是两份数据的列名有些不同，把这些列组合在一起形成多列；
三是以上两种情况混合。同时，在合并过程中还需要做些计算。
Pandas提供的各种功能能够轻而易举地完成这些工作。
pd.concat()：轴向拼接
核心功能：
沿行（纵向）或列（横向）拼接多个 DataFrame，支持批量合并。 适用场景：结构相同的数据表合并（如多个 CSV 文件）、多维度数据堆叠。
基本语法：
pd.concat(objs, # 要合并的对象列表（如多个DataFrame）axis=0, # 合并方向：0沿行（纵向），1沿列（横向）join='outer', # 合并方式：'outer'保留所有列，'inner'保留共有列ignore_index=False, # 是否重置索引（避免重复）keys=None, # 添加层次化索引（标识来源）sort=False, # 是否对列排序
)参数详解
-
objs: 要拼接的 DataFrame 列表（必填，如
[df1, df2]）。 -
axis: 拼接方向，
axis=0（默认，纵向堆叠），axis=1（横向拼接）。 -
ignore_index: 是否重置索引（默认
False，保留原索引）。 -
keys: 添加层级索引标识来源（如
keys=['A', 'B']）。 -
join: 对齐方式，
join='outer'（默认，保留所有列），join='inner'（仅共有列）。
常用场景示例
1，纵向合并（默认 axis=0）
import pandas as pddf1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df2 = pd.DataFrame({'A': [5, 6], 'B': [7, 8]})result = pd.concat([df1, df2])
2，横向合并（axis=1）
result = pd.concat([df1, df2], axis=1)
3，处理索引重复
使用 ignore_index=True 重置索引：
result = pd.concat([df1, df2], ignore_index=True)
4，仅合并共有列（join='inner'）
若两个 DataFrame 列不完全一致：
df3 = pd.DataFrame({'A': [5, 6], 'C': [9, 10]})
result = pd.concat([df1, df3], join='inner') # 仅保留共有列'A'
5，添加层次化索引（keys）
标识数据来源：
result = pd.concat([df1, df2], keys=['df1', 'df2'])
注意事项
-
索引问题：合并时默认保留原索引，可能导致重复，建议用
ignore_index=True重置。 -
列名对齐：横向合并（
axis=1）时，按行索引对齐，缺失值填充NaN。 -
性能优化：合并大量数据时，建议先预处理再合并，避免内存不足。