1.merge函数拼接

• 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)

• how：指的是合并(连接)的方式有inner(内连接),采用内连接，连接两边都有的值left(左外连接)取左表所有数据,right(右外连接),outer(全外连接)outer外连接时，会取并集，并用NaN填充;默认为inner

• on : 指的是用于连接的列索引名称。必须存在右右两个DataFrame对象中，如果没有指定且其他参数也未指定则以两个DataFrame的列名交集做为连接键

• left_on：左则DataFrame中用作连接键的列名;这个参数中左右列名不相同，但代表的含义相同时非常有用。

• right_on：右则DataFrame中用作 连接键的列名

• left_index：使用左则DataFrame中的行索引做为连接键

• right_index：使用右则DataFrame中的行索引做为连接键

• sort：默认为True，将合并的数据进行排序。在大多数情况下设置为False可以提高性能

• suffixes：字符串值组成的元组，用于指定当左右DataFrame存在相同列名时在列名后面附加的后缀名称，默认为(’_x’,’_y’)

• copy：默认为True,总是将数据复制到数据结构中；大多数情况下设置为False可以提高性能

• indicator：在 0.17.0中还增加了一个显示合并数据中来源情况；如只来自己于左边(left_only)、两者(both)
  

• a表和b表相同列的索引名称不同，可以通过指定left_on，right_on来进行合并

• left_on 左表的索引值 即：b，right_on右表索引值 即：a

• indicator 显示数据来源 both 公有的

c = pd.merge(b,a,left_on='b',right_on='e',indicator=True)
c

• 有共同列并且列索引相同 on = ’ b ’

c = pd.merge(b,a,on='b',sort=False,indicator=True)
c

• 索引名称进行连接

c = pd.merge(b,a,left_index=True,right_index=True,sort=False,indicator=True)
c

2.concat函数拼接

• pd.concat(
  objs: Union[Iterable[ForwardRef(‘NDFrame’)], Mapping[Union[Hashable, NoneType], ForwardRef(‘NDFrame’)]],
  axis=0,
  join=‘outer’,
  ignore_index: bool = False,
  keys=None,
  levels=None,
  names=None,
  verify_integrity: bool = False,
  sort: bool = False,
  copy: bool = True,
  )

• axis=0 行拼接 axis=1 列拼接

• ignore_index = True 合并后重新索引

• join = ‘inner’ 内连接取交集 (交集为含有列索引名称相同的合并） ‘outer’ 外连接取并集(如果不存在时自动填充为nan）

• keys 说明数据的来源

• sort 排序
  

• 1.以列进行左右连接

c = pd.concat([a,b],axis=1,keys=['a','b'],names=['ll','kk'])
c

• 2.取并集，

c = pd.concat([a,b],join='outer')
c

3.numpy中concatenate()函数拼接

a = np.array([[11, 22], [33, 44]])
a
>> array([[11, 22],
       [33, 44]])
b = np.array([[55, 66]])
b
>> array([[55, 66]])

• 俩个数组上下拼接

np.concatenate((a, b), axis=0)
array([[11, 22],
       [33, 44],
       [55, 66]])

• 俩个数组左右拼接（把b表先转置）

b.T
array([[55],
       [66]])

np.concatenate((a, b.T), axis=1)
array([[11, 22, 55],
       [33, 44, 66]])

• 每一个元素增加[]

a[:,np.newaxis]
array([[[11, 22]],

       [[33, 44]]])

• 给最外层增加一个[]

a[np.newaxis,:]
array([[[11, 22],
        [33, 44]]])

• 数组最后一列添加一列

c = np.array([[11,22,33],[44,55,66],[77,88,99]])
c
array([[11, 22, 33],
       [44, 55, 66],
       [77, 88, 99]])
       

c = np.column_stack((c,np.arange(1,4)))
c
array([[11, 22, 33,  1],
       [44, 55, 66,  2],
       [77, 88, 99,  3]])

• 数组最后一行添加一行

c = np.row_stack((c,np.arange(1,4)))
c
array([[11, 22, 33],
       [44, 55, 66],
       [77, 88, 99],
       [ 1,  2,  3]])