談到pandas資料的行更新、表合并等操作，一般用到的方法有concat、join、merge。但這三種方法對于很多新手來說，都不太好厘清使用的場合與用途。今天就pandas官網中關于資料合并和重述的章節做個使用方法的總結。
1、concat
pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False) 參數說明
objs: series，dataframe或者是panel構成的序列lsit
axis： 需要合并連結的軸，0是行，1是列
join：連接配接的方式 inner，或者outer
其他一些參數不常用，用的時候再補上說明。
1.1 相同字段的表首尾相接
# 現将表構成list，然後在作為concat的輸入
In [4]: frames = [df1, df2, df3]
In [5]: result = pd.concat(frames) 要在相接的時候在加上一個層次的key來識别資料源自于哪張表，可以增加key參數
In [6]: result = pd.concat(frames, keys=['x', 'y', 'z']) 效果如下
1.2 橫向表拼接（行對齊）
1.2.1 axis
當axis = 1的時候，concat就是行對齊，然後将不同列名稱的兩張表合并
In [9]: result = pd.concat([df1, df4], axis=1) 1.2.2 join
加上join參數的屬性，如果為’inner’得到的是兩表的交集，如果是outer，得到的是兩表的并集。
In [10]: result = pd.concat([df1, df4], axis=1, join='inner') 1.2.3 join_axes
如果有join_axes的參數傳入，可以指定根據那個軸來對齊資料
例如根據df1表對齊資料，就會保留指定的df1表的軸，然後将df4的表與之拼接
In [11]: result = pd.concat([df1, df4], axis=1, join_axes=[df1.index]) 1.3 append
append是series和dataframe的方法，使用它就是預設沿着列進行憑借（axis = 0，列對齊） In [12]: result = df1.append(df2) 1.4 無視index的concat
如果兩個表的index都沒有實際含義，使用ignore_index參數，置true，合并的兩個表就睡根據列字段對齊，然後合并。最後再重新整理一個新的index。
1.5 合并的同時增加區分資料組的鍵
前面提到的keys參數可以用來給合并後的表增加key來區分不同的表資料來源
1.5.1 可以直接用key參數實作
In [27]: result = pd.concat(frames, keys=['x', 'y', 'z']) - 1
1.5.2 傳入字典來增加分組鍵
In [28]: pieces = {'x': df1, 'y': df2, 'z': df3}
In [29]: result = pd.concat(pieces) 1.6 在dataframe中加入新的行
append方法可以将 series 和 字典就夠的資料作為dataframe的新一行插入。
In [34]: s2 = pd.Series(['X0', 'X1', 'X2', 'X3'], index=['A', 'B', 'C', 'D'])
In [35]: result = df1.append(s2, ignore_index=True) 表格列字段不同的表合并
如果遇到兩張表的列字段本來就不一樣，但又想将兩個表合并，其中無效的值用nan來表示。那麼可以使用ignore_index來實作。 In [36]: dicts = [{'A': 1, 'B': 2, 'C': 3, 'X': 4},
....: {'A': 5, 'B': 6, 'C': 7, 'Y': 8}]
....:
In [37]: result = df1.append(dicts, ignore_index=True) 談到pandas資料的行更新、表合并等操作，一般用到的方法有concat、join、merge。但這三種方法對于很多新手來說，都不太好厘清使用的場合與用途。今天就pandas官網中關于資料合并和重述的章節做個使用方法的總結。
1、concat
pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False) 參數說明
objs: series，dataframe或者是panel構成的序列lsit
axis： 需要合并連結的軸，0是行，1是列
join：連接配接的方式 inner，或者outer
其他一些參數不常用，用的時候再補上說明。
1.1 相同字段的表首尾相接
# 現将表構成list，然後在作為concat的輸入
In [4]: frames = [df1, df2, df3]
In [5]: result = pd.concat(frames) 要在相接的時候在加上一個層次的key來識别資料源自于哪張表，可以增加key參數
In [6]: result = pd.concat(frames, keys=['x', 'y', 'z']) 效果如下
1.2 橫向表拼接（行對齊）
1.2.1 axis
當axis = 1的時候，concat就是行對齊，然後将不同列名稱的兩張表合并
In [9]: result = pd.concat([df1, df4], axis=1) 1.2.2 join
加上join參數的屬性，如果為’inner’得到的是兩表的交集，如果是outer，得到的是兩表的并集。
In [10]: result = pd.concat([df1, df4], axis=1, join='inner') - 1
1.2.3 join_axes
如果有join_axes的參數傳入，可以指定根據那個軸來對齊資料
例如根據df1表對齊資料，就會保留指定的df1表的軸，然後将df4的表與之拼接
In [11]: result = pd.concat([df1, df4], axis=1, join_axes=[df1.index]) 1.3 append
append是series和dataframe的方法，使用它就是預設沿着列進行憑借（axis = 0，列對齊） In [12]: result = df1.append(df2) 1.4 無視index的concat
如果兩個表的index都沒有實際含義，使用ignore_index參數，置true，合并的兩個表就睡根據列字段對齊，然後合并。最後再重新整理一個新的index。
1.5 合并的同時增加區分資料組的鍵
前面提到的keys參數可以用來給合并後的表增加key來區分不同的表資料來源
1.5.1 可以直接用key參數實作
In [27]: result = pd.concat(frames, keys=['x', 'y', 'z']) 1.5.2 傳入字典來增加分組鍵
In [28]: pieces = {'x': df1, 'y': df2, 'z': df3}
In [29]: result = pd.concat(pieces) 1.6 在dataframe中加入新的行
append方法可以将 series 和 字典就夠的資料作為dataframe的新一行插入。
In [34]: s2 = pd.Series(['X0', 'X1', 'X2', 'X3'], index=['A', 'B', 'C', 'D'])
In [35]: result = df1.append(s2, ignore_index=True) 表格列字段不同的表合并
如果遇到兩張表的列字段本來就不一樣，但又想将兩個表合并，其中無效的值用nan來表示。那麼可以使用ignore_index來實作。 In [36]: dicts = [{'A': 1, 'B': 2, 'C': 3, 'X': 4},
....: {'A': 5, 'B': 6, 'C': 7, 'Y': 8}]
....:
In [37]: result = df1.append(dicts, ignore_index=True)