我认为你应该在解释中包括这一点，因为这是我经常看到的相关合并，我认为这被称为交叉连接。这是一个合并，当唯一的df不共享任何列时发生，它只是并排合并2个dfs：

设置：

names1 = [{'A':'Jack', 'B':'Jill'}]

names2 = [{'C':'Tommy', 'D':'Tammy'}]

df1=pd.DataFrame(names1)
df2=pd.DataFrame(names2)
df_merged= pd.merge(df1.assign(X=1), df2.assign(X=1), on='X').drop('X', 1)

这将创建一个虚拟X列，在X上合并，然后将其放置以生成

数据_合并：

      A     B      C      D
0  Jack  Jill  Tommy  Tammy

本文将介绍以下主题：

如何正确地推广到多个DataFrame（以及为什么合并有缺点）在唯一密钥上合并在非唯一密钥上合并

回到顶部

---

---

推广到多个数据帧

通常，当多个数据帧要合并在一起时，就会出现这种情况。实际上，这可以通过链接合并调用来实现：

df1.merge(df2, ...).merge(df3, ...)

然而，对于许多DataFrame来说，这很快就失控了。此外，可能需要对未知数量的数据帧进行概括。

在这里，我介绍了pd.concat用于在唯一键上的多路连接，以及DataFrame.join用于在非唯一键上进行多路连接。首先，设置。

# Setup.
np.random.seed(0)
A = pd.DataFrame({'key': ['A', 'B', 'C', 'D'], 'valueA': np.random.randn(4)})    
B = pd.DataFrame({'key': ['B', 'D', 'E', 'F'], 'valueB': np.random.randn(4)})
C = pd.DataFrame({'key': ['D', 'E', 'J', 'C'], 'valueC': np.ones(4)})
dfs = [A, B, C] 

# Note: the "key" column values are unique, so the index is unique.
A2 = A.set_index('key')
B2 = B.set_index('key')
C2 = C.set_index('key')

dfs2 = [A2, B2, C2]

---

对唯一键进行多路合并

如果您的键（这里，键可以是列或索引）是唯一的，那么您可以使用pd.concat。请注意，pd.conct在索引上加入DataFrames。

# Merge on `key` column. You'll need to set the index before concatenating
pd.concat(
    [df.set_index('key') for df in dfs], axis=1, join='inner'
).reset_index()

  key    valueA    valueB  valueC
0   D  2.240893 -0.977278     1.0

# Merge on `key` index.
pd.concat(dfs2, axis=1, sort=False, join='inner')

       valueA    valueB  valueC
key                            
D    2.240893 -0.977278     1.0

对于完全外部联接，省略join='inner'。请注意，不能指定LEFT或RIGHT OUTER联接（如果需要，请使用下面描述的联接）。

---

对具有重复项的关键点进行多路合并

concat速度快，但也有缺点。它无法处理重复项。

A3 = pd.DataFrame({'key': ['A', 'B', 'C', 'D', 'D'], 'valueA': np.random.randn(5)})
pd.concat([df.set_index('key') for df in [A3, B, C]], axis=1, join='inner')

ValueError: Shape of passed values is (3, 4), indices imply (3, 2)

在这种情况下，我们可以使用join，因为它可以处理非唯一键（请注意，join在数据帧的索引上连接数据帧；除非另有规定，否则它在后台调用merge并执行LEFT OUTER join）。

# Join on `key` column. Set as the index first.
# For inner join. For left join, omit the "how" argument.
A.set_index('key').join([B2, C2], how='inner').reset_index()

  key    valueA    valueB  valueC
0   D  2.240893 -0.977278     1.0

# Join on `key` index.
A3.set_index('key').join([B2, C2], how='inner')

       valueA    valueB  valueC
key                            
D    1.454274 -0.977278     1.0
D    0.761038 -0.977278     1.0

---

---

继续阅读

跳转到Pandas Merging 101中的其他主题继续学习：

合并基础知识-连接的基本类型基于索引的联接推广到多个数据帧*交叉联接

*你在这里

连接101

这些动画可能更能直观地解释您。信贷：Garrick Aden Buie tidyexplain repo

内部联接

外部联接或完全联接

右联接

左联接

pd.contat（[df0，df1]，kwargs）的补充视觉视图。注意，kwargaxis=0或axis=1的含义不像df.min（）或df.apply（func）那样直观

---

本文将介绍以下主题：

不同条件下的索引合并基于索引的联接的选项：合并、联接、连接合并索引合并一个索引，另一个列有效使用命名索引简化合并语法

回到顶部

---

---

基于索引的联接

TL；博士

有几个选项，有些比其他选项更简单，具体取决于用途案例使用left_index和right_index的DataFrame.merge（或使用命名索引的left_on和right_on）支持内部/左侧/右侧/完整一次只能加入两个支持列列、索引列、索引索引联接DataFrame.join（加入索引）支持内部/左侧（默认）/右侧/完整一次可以连接多个DataFrame支持索引索引联接pd.concat（索引上的联接）支持内部/完整（默认）一次可以连接多个DataFrame支持索引索引联接

---

索引到索引联接

设置和基础知识

import pandas as pd
import numpy as np

np.random.seed([3, 14])
left = pd.DataFrame(data={'value': np.random.randn(4)}, 
                    index=['A', 'B', 'C', 'D'])    
right = pd.DataFrame(data={'value': np.random.randn(4)},  
                     index=['B', 'D', 'E', 'F'])
left.index.name = right.index.name = 'idxkey'

left
           value
idxkey          
A      -0.602923
B      -0.402655
C       0.302329
D      -0.524349

right
 
           value
idxkey          
B       0.543843
D       0.013135
E      -0.326498
F       1.385076

通常，索引上的内部联接如下所示：

left.merge(right, left_index=True, right_index=True)

         value_x   value_y
idxkey                    
B      -0.402655  0.543843
D      -0.524349  0.013135

其他联接遵循类似的语法。

值得注意的替代方案

DataFrame.join默认为索引上的联接。默认情况下，DataFrame.join执行LEFT OUTER join，因此how='inner'在这里是必要的。left.join（right，how='inner'，lsuffix='_x'，rsuffix='_y'）值_x值_yidx键B-0.402655 0.543843D-0.524349 0.013135注意，我需要指定lsuffix和rsuffix参数，否则join将出错：left.join（右）ValueError:列重叠，但未指定后缀：Index（['value']，dtype='object'）因为列名相同。如果它们的名称不同，这不会是一个问题。left.rename（columns＝｛‘value‘：‘left value‘｝）.join（right，how＝‘inner‘）左值idx键B-0.402655 0.543843D-0.524349 0.013135pd.concat在索引上连接，可以同时连接两个或多个DataFrame。默认情况下，它执行完全外部联接，因此此处需要how='inner'。。pd.contat（[left，right]，axis=1，sort=False，join='inner'）价值，价值idx键B-0.402655 0.543843D-0.524349 0.013135有关concat的更多信息，请参阅本文。

---

索引到列连接

要使用左索引、右列索引执行内部联接，您将使用DataFrame.merge组合left_index=True和right_on=。。。。

right2 = right.reset_index().rename({'idxkey' : 'colkey'}, axis=1)
right2
 
  colkey     value
0      B  0.543843
1      D  0.013135
2      E -0.326498
3      F  1.385076

left.merge(right2, left_index=True, right_on='colkey')

    value_x colkey   value_y
0 -0.402655      B  0.543843
1 -0.524349      D  0.013135

其他连接遵循类似的结构。请注意，只有合并才能执行索引到列的连接。如果左侧的索引级别数等于右侧的列数，则可以连接多个列。

join和concat不能混合合并。您需要使用DataFrame.set_index将索引设置为预步骤。

---

有效使用命名索引[熊猫>=0.23]

如果索引已命名，则从panda>=0.23开始，DataFrame.merge允许您将索引名称指定为on（或根据需要指定left_on和right_on）。

left.merge(right, on='idxkey')

         value_x   value_y
idxkey                    
B      -0.402655  0.543843
D      -0.524349  0.013135

对于前面的合并索引为left、列为right的示例，可以使用索引名为left的left_on：

left.merge(right2, left_on='idxkey', right_on='colkey')

    value_x colkey   value_y
0 -0.402655      B  0.543843
1 -0.524349      D  0.013135

---

---

继续阅读

跳转到Pandas Merging 101中的其他主题继续学习：

合并基础知识-连接的基本类型基于索引的联接*推广到多个数据帧交叉联接

*你在这里

我认为你应该在解释中包括这一点，因为这是我经常看到的相关合并，我认为这被称为交叉连接。这是一个合并，当唯一的df不共享任何列时发生，它只是并排合并2个dfs：

设置：

names1 = [{'A':'Jack', 'B':'Jill'}]

names2 = [{'C':'Tommy', 'D':'Tammy'}]

df1=pd.DataFrame(names1)
df2=pd.DataFrame(names2)
df_merged= pd.merge(df1.assign(X=1), df2.assign(X=1), on='X').drop('X', 1)

这将创建一个虚拟X列，在X上合并，然后将其放置以生成

数据_合并：

      A     B      C      D
0  Jack  Jill  Tommy  Tammy