Python中如何合并多个DataFrame？concat与merge对比指南-Python教程-PHP中文网

python中合并多个dataframe的核心方法有两种：一是使用pd.concat进行堆叠式合并，二是使用pd.merge进行关联式合并。pd.concat主要用于沿行或列方向堆叠数据，适用于结构相似的数据整合，关键参数包括objs（待合并对象）、axis（合并方向）、join（索引/列对齐方式）及ignore_index（是否重置索引）。pd.merge则基于共同键进行数据关联，支持内连接、左连接、右连接和外连接，核心参数有left/right（待合并的两个dataframe）、how（连接类型）、on/left_on/right_on（连接键）及suffixes（列名冲突处理）。选择concat时应确保数据结构一致或索引对齐，而merge适用于存在逻辑关联的数据整合，需注意键列清洗与连接类型选择。两者在性能上各有侧重，concat适合垂直或水平拼接，merge适合基于键的关系型合并，实际应用中应根据数据特征和需求合理选用。

Python中如何合并多个DataFrame？concat与merge对比指南

Python中合并多个DataFrame，本质上无非两种核心操作：一种是像堆积木一样，把数据框一个接一个地堆叠起来，这通常是 pd.concat 的职责；另一种则是像给不同表做“联姻”，根据某些共同的“媒人”（键）把它们关联起来，这正是 pd.merge 的强项。理解它们各自的适用场景和内在逻辑，是高效处理数据的基础。

解决方案

在Python的pandas库中，合并多个DataFrame主要依赖于pd.concat()和pd.merge()这两个函数。它们解决的是不同类型的数据整合问题。

pd.concat() 这个函数主要用于沿着某个轴（行或列）堆叠或连接DataFrame。你可以把它想象成把几个表格直接首尾相连，或者并排摆放。

核心功能: 堆叠（append）或并排连接（concatenate）。
主要参数:
- objs: 一个DataFrame对象的序列或字典，这是要合并的数据框列表。
- axis: 决定合并方向。axis=0（默认）表示按行堆叠，即增加行；axis=1表示按列并排，即增加列。
- join: 当按列合并时，如何处理不完全匹配的索引。'outer'（默认）会保留所有索引，缺失值用NaN填充；'inner'只保留共同的索引。当按行合并时，如何处理列。'outer'会保留所有列，缺失值用NaN填充；'inner'只保留共同的列。
- ignore_index: 如果设为True，合并后的DataFrame会重置索引，这在堆叠操作中非常有用，可以避免重复索引。

示例：

立即学习“Python免费学习笔记（深入）”；

import pandas as pd

df1 = pd.DataFrame({'A': ['A0', 'A1'], 'B': ['B0', 'B1']}, index=[0, 1])
df2 = pd.DataFrame({'A': ['A2', 'A3'], 'B': ['B2', 'B3']}, index=[2, 3])
df3 = pd.DataFrame({'C': ['C4', 'C5'], 'D': ['D4', 'D5']}, index=[4, 5])

# 按行堆叠 (默认 axis=0)
result_rows = pd.concat([df1, df2])
# print(result_rows)

# 按列并排 (axis=1)
# 注意：这里会根据索引进行对齐，如果索引不同，会填充NaN
result_cols = pd.concat([df1, df3], axis=1)
# print(result_cols)

# 按行堆叠并重置索引
result_reset_index = pd.concat([df1, df2], ignore_index=True)
# print(result_reset_index)

登录后复制

pd.merge() 这个函数用于通过一个或多个键（列）将两个DataFrame连接起来，类似于SQL中的JOIN操作。它基于列的值进行匹配，而不是简单地堆叠。

核心功能: 根据共同列（或索引）进行数据关联。
主要参数:
- left, right: 要合并的两个DataFrame。
- how: 指定合并类型。
  - 'inner'（默认）：只保留左右DataFrame中键都存在的行。
  - 'left'：保留左DataFrame的所有行，右DataFrame中匹配的行，不匹配的用NaN填充。
  - 'right'：保留右DataFrame的所有行，左DataFrame中匹配的行，不匹配的用NaN填充。
  - 'outer'：保留左右DataFrame中的所有行，不匹配的用NaN填充。
- on: 用于连接的列名（如果左右DataFrame的键列名相同）。
- left_on, right_on: 如果左右DataFrame的键列名不同，分别指定。
- suffixes: 当左右DataFrame有相同列名（非键列）时，用于区分这些列的后缀。

示例：

立即学习“Python免费学习笔记（深入）”；

df_employees = pd.DataFrame({
    'employee_id': [1, 2, 3, 4],
    'name': ['Alice', 'Bob', 'Charlie', 'David'],
    'department_id': [101, 102, 101, 103]
})

df_departments = pd.DataFrame({
    'department_id': [101, 102, 104],
    'department_name': ['HR', 'IT', 'Finance']
})

# 内连接：只保留员工和部门ID都匹配的记录
merged_inner = pd.merge(df_employees, df_departments, on='department_id', how='inner')
# print(merged_inner)

# 左连接：保留所有员工信息，匹配部门信息
merged_left = pd.merge(df_employees, df_departments, on='department_id', how='left')
# print(merged_left)

登录后复制

concat 适用场景与常见误区

我个人觉得，pd.concat 最能体现其价值的地方，就是当你手里有一堆结构相同或者非常相似的数据碎片时。比如，你从数据库里分批导出了按月份划分的销售数据，或者从不同渠道抓取了格式一致的用户行为日志，这时候，把它们堆叠起来形成一个完整的、更大的数据集，concat 简直是神来之笔。它尤其适合处理时间序列数据，或者当你需要把多个文件（例如CSV）的内容合并成一个DataFrame时。

然而，concat 也不是没有坑。最常见的误区，我觉得就是索引的处理。如果你只是简单地 pd.concat([df1, df2])，而这两个DataFrame又恰好有相同的索引值（比如都是从0开始），那么合并后的结果就会出现重复索引。这在后续的数据处理中，比如使用 loc 进行选择时，可能会导致意想不到的结果。所以，我几乎成了 ignore_index=True 的忠实拥趸，尤其是在做行堆叠时，它能帮你自动生成一个干净、连续的新索引。

# 常见误区：索引重复
df_a = pd.DataFrame({'value': [10, 20]}, index=[0, 1])
df_b = pd.DataFrame({'value': [30, 40]}, index=[0, 1]) # 同样有0, 1索引

# 结果索引会重复
bad_concat = pd.concat([df_a, df_b])
# print(bad_concat)
# print(bad_concat.loc[0]) # 这会返回两行！

# 解决方案：重置索引
good_concat = pd.concat([df_a, df_b], ignore_index=True)
# print(good_concat)
# print(good_concat.loc[0]) # 只返回一行

登录后复制

另一个小陷阱是列的不匹配。当你 axis=0 进行行堆叠时，如果各个DataFrame的列名不完全一致，concat 默认会采取 join='outer' 策略，也就是保留所有列，不匹配的地方用 NaN 填充。这通常是期望的行为，但如果你只想要那些所有DataFrame都共有的列，那就得明确指定 join='inner'。我有时候会忘记这一点，结果发现合并出来的数据框多了很多 NaN 列，回头检查才发现是列名没对齐。

df_sales = pd.DataFrame({'product': ['A', 'B'], 'price': [100, 200]})
df_returns = pd.DataFrame({'product': ['A', 'C'], 'quantity': [1, 2]})

# 默认 outer join，会保留所有列
outer_concat = pd.concat([df_sales, df_returns], axis=0)
# print(outer_concat)

# inner join，只保留共同列（product）
inner_concat = pd.concat([df_sales, df_returns], axis=0, join='inner')
# print(inner_concat)

登录后复制

merge 的连接类型与复杂性处理

说到合并，其实除了最直接的拼接，我们更多时候面对的是数据间的“联姻”，这也就是 merge 的用武之地了。pd.merge 最强大的地方在于它能够模拟SQL的各种连接操作，通过 how 参数来精确控制连接的逻辑。

how 参数的奥秘：

how='inner' (内连接)：这是默认选项，也是最严格的。它只保留左右两个DataFrame中键都存在的行。你可以想象成，只有当两个数据源都能找到匹配的对象时，这条记录才会被纳入结果。
how='left' (左连接)：以左边的DataFrame为基准。它会保留左DataFrame的所有行，并尝试在右DataFrame中找到匹配的行。如果找到了，就合并；如果没找到，右DataFrame对应的列就用 NaN 填充。这在你想保留所有“主”数据（比如所有客户信息），然后附加“次要”数据（比如他们的订单历史）时非常有用。
how='right' (右连接)：与左连接相反，以右边的DataFrame为基准。保留右DataFrame的所有行，并尝试在左DataFrame中找到匹配的行。
how='outer' (外连接)：这是最“包容”的连接方式。它会保留左右两个DataFrame中的所有行。如果某个键只存在于一个DataFrame中，另一个DataFrame对应的列就会用 NaN 填充。这在你想看到所有可能的组合，即使数据不完全匹配时，会很有帮助。

# 示例数据
df_users = pd.DataFrame({
    'user_id': [1, 2, 3, 4],
    'username': ['alpha', 'beta', 'gamma', 'delta']
})

df_orders = pd.DataFrame({
    'order_id': [101, 102, 103, 104],
    'user_id': [1, 2, 5, 1], # user_id 5 不在 df_users 中
    'amount': [100, 150, 200, 120]
})

# 内连接：只显示有订单的用户
inner_join = pd.merge(df_users, df_orders, on='user_id', how='inner')
# print("\nInner Join:\n", inner_join)

# 左连接：显示所有用户，以及他们的订单（如果没有则为NaN）
left_join = pd.merge(df_users, df_orders, on='user_id', how='left')
# print("\nLeft Join:\n", left_join)

# 右连接：显示所有订单，以及对应的用户信息（如果用户不存在则为NaN）
right_join = pd.merge(df_users, df_orders, on='user_id', how='right')
# print("\nRight Join:\n", right_join)

# 外连接：显示所有用户和所有订单，无论是否匹配
outer_join = pd.merge(df_users, df_orders, on='user_id', how='outer')
# print("\nOuter Join:\n", outer_join)

登录后复制

处理多键合并或非等值连接： 当需要根据多个列进行合并时，merge 同样游刃有余。你只需要把 on、left_on 或 right_on 参数的值从单个字符串变成一个字符串列表即可。比如，如果你需要根据 (department_id, employee_name) 来匹配数据，那就 on=['department_id', 'employee_name']。

df_emp_details = pd.DataFrame({
    'emp_id': [1, 2, 3],
    'first_name': ['John', 'Jane', 'Peter'],
    'last_name': ['Doe', 'Smith', 'Jones']
})

df_emp_salaries = pd.DataFrame({
    'employee_id': [1, 2, 3],
    'first': ['John', 'Jane', 'Peter'],
    'last': ['Doe', 'Smith', 'Jones'],
    'salary': [50000, 60000, 70000]
})

# 多键合并
multi_key_merge = pd.merge(df_emp_details, df_emp_salaries,
                           left_on=['emp_id', 'first_name', 'last_name'],
                           right_on=['employee_id', 'first', 'last'],
                           how='inner')
# print("\nMulti-key Merge:\n", multi_key_merge)

登录后复制

至于非等值连接（比如 A.value > B.value），pd.merge 本身并不直接支持，它主要用于等值连接。如果真有这样的需求，我通常会考虑几种变通方法：要么是先进行一个宽泛的合并，然后用布尔索引进行筛选；要么是利用 pd.merge_asof（针对时间序列的近似匹配）；再复杂一点，可能就要回到循环或者自定义函数，但那已经超出了 merge 的核心范畴了。

性能考量与最佳实践：何时选择 concat 或 merge？

在处理大数据量时，concat 和 merge 的性能表现确实值得掰扯一下。这就像是开车，你知道目的地，但得选对路和交通工具。

性能表现：

concat: 对于简单的行堆叠，concat 通常非常高效，因为它主要是内存块的拼接。尤其是当所有DataFrame的列结构完全一致时，它的开销相对较小。然而，如果需要进行大量的列级别合并（axis=1），并且索引不完全对齐，那么 concat 可能需要在内部进行大量的重索引和数据填充，这会消耗更多的时间和内存。
merge: merge 的性能通常取决于你选择的连接类型 (how) 以及用于连接的键列。在内部，pandas会尝试优化，比如使用哈希表或排序合并算法。如果键列已经被索引（通过 df.set_index()），或者键列的数据类型是高效的（比如整数或分类类型），merge 的性能会更好。但如果键列是字符串且非常长，或者数据量巨大且键列没有优化，merge 可能会变得相当慢，因为它需要进行大量的字符串比较和哈希计算。

选择哪一个？这其实是个“哲学问题”，答案完全取决于你的数据关系和目标。

我的经验是：

选择 concat 的时机：
- 数据结构一致，需要垂直扩展： 你有多个DataFrame，它们拥有相同的列名和数据类型，你只是想把它们堆叠起来，形成一个更长的DataFrame。比如，每日销售数据文件，你需要把它们合并成月度或年度报告。
- 需要水平扩展，且索引能够对齐： 你有多个DataFrame，它们有相同的行索引，你只是想把它们并排放置，增加列。比如，一个DataFrame有用户基本信息，另一个有用户的联系方式，它们的索引都是 user_id。
- 数据来源分散，但内容同质： 比如爬取了多个网页，每个网页的数据结构都一样，需要汇总。
选择 merge 的时机：
- 数据存在关联关系，需要水平整合： 你的数据分布在不同的DataFrame中，但它们之间存在逻辑上的关联（比如通过 customer_id 或 product_id）。你需要根据这些关联键来组合信息。这就像数据库中的表连接。
- 需要根据特定条件筛选或补充数据： 你想根据某个DataFrame的完整性来决定合并结果（如 left join 或 right join），或者你想找出所有匹配和不匹配的项（如 outer join）。
- 数据来源异构，但逻辑相关： 比如一个DataFrame是订单明细，另一个是产品信息，你需要把产品名称、价格等信息加到订单明细中。

最佳实践建议：

数据清洗先行： 在进行任何合并操作之前，务必确保你的键列（或其他需要对齐的列）是干净的。检查数据类型是否一致，是否存在前导/尾随空格，大小写是否统一。一个小小的差异都可能导致 merge 失败或 concat 产生 NaN。
明确 how 参数： 对于 merge，一定要想清楚你需要哪种连接类型。是只保留匹配项 (inner)，还是保留左边所有 (left)，或者所有 (outer)？这直接决定了结果数据集的完整性和大小。
索引的考量：
- 对于 concat(axis=0)，如果原始索引不重要，总是考虑 ignore_index=True 来避免索引重复。
- 对于 merge，如果你想基于索引进行合并，可以使用 left_index=True 和 right_index=True。如果键列是索引，并且数据量很大，pandas在某些情况下会利用索引的有序性来加速合并。
内存管理： 当处理非常大的DataFrame时，合并操作可能会消耗大量内存。如果遇到内存不足的问题，可以考虑：
- 逐块处理数据（例如，使用 pd.read_csv(chunksize=...)）。
- 优化DataFrame的数据类型（例如，使用 category 类型代替 object 类型来存储重复的字符串）。
- 仅选择必要的列进行合并，减少不必要的内存开销。