您可以尝试以下几种方法来合并/加入您的数据框架。

合并(默认为内部连接) Df = pd。merge(df1, df2, left_index=True, right_index=True) 连接(默认为左连接) Df = df1.join(df2) Concat(默认为外部连接) Df = pd。Concat ([df1, df2]，轴=1)

一个愚蠢的错误:由于索引dtypes不同，连接失败了。这并不明显，因为两个表都是同一个原始表的数据透视表。reset_index之后，Jupyter中的索引看起来是一样的。只有在保存到Excel时才会发现……

我修复了它:df1[['key']] = df1[['key']].apply(pd.to_numeric)

希望这能为某人节省一个小时!

如果你想在Pandas中连接两个数据框架，你可以简单地使用可用的属性，如merge或concatate。

例如，如果我有两个数据框架df1和df2，我可以通过以下方式连接它们:

newdataframe = merge(df1, df2, left_index=True, right_index=True)

默认情况下: Join是按列的左连接 pd。Merge是按列的内部连接 pd。Concat是逐行的外部连接

pd.concat: 接受Iterable参数。因此，它不能直接获取数据帧(使用[df,df2]) DataFrame的尺寸应该沿轴匹配

Join和pd.merge: 可以接受DataFrame参数吗

你可以使用concat([df1, df2，…]，轴=1)为了连接两个或多个由索引对齐的DFs:

pd.concat([df1, df2, df3, ...], axis=1)

或者通过自定义字段/索引进行合并:

# join by _common_ columns: `col1`, `col3`
pd.merge(df1, df2, on=['col1','col3'])

# join by: `df1.col1 == df2.index`
pd.merge(df1, df2, left_on='col1' right_index=True)

或join用于通过索引连接:

 df1.join(df2)

使用merge，这是一个默认的内部连接:

pd.merge(df1, df2, left_index=True, right_index=True)

或者join，默认为左连接:

df1.join(df2)

或concat，默认情况下是一个外部连接:

pd.concat([df1, df2], axis=1)

样品:

df1 = pd.DataFrame({'a':range(6),
                    'b':[5,3,6,9,2,4]}, index=list('abcdef'))

print (df1)
   a  b
a  0  5
b  1  3
c  2  6
d  3  9
e  4  2
f  5  4

df2 = pd.DataFrame({'c':range(4),
                    'd':[10,20,30, 40]}, index=list('abhi'))

print (df2)
   c   d
a  0  10
b  1  20
h  2  30
i  3  40

# Default inner join
df3 = pd.merge(df1, df2, left_index=True, right_index=True)
print (df3)
   a  b  c   d
a  0  5  0  10
b  1  3  1  20

# Default left join
df4 = df1.join(df2)
print (df4)
   a  b    c     d
a  0  5  0.0  10.0
b  1  3  1.0  20.0
c  2  6  NaN   NaN
d  3  9  NaN   NaN
e  4  2  NaN   NaN
f  5  4  NaN   NaN

# Default outer join
df5 = pd.concat([df1, df2], axis=1)
print (df5)
     a    b    c     d
a  0.0  5.0  0.0  10.0
b  1.0  3.0  1.0  20.0
c  2.0  6.0  NaN   NaN
d  3.0  9.0  NaN   NaN
e  4.0  2.0  NaN   NaN
f  5.0  4.0  NaN   NaN
h  NaN  NaN  2.0  30.0
i  NaN  NaN  3.0  40.0