"""@author: AX / 张洪志"""''' 总结:    表方法    1、横向拼接:join    2、纵向拼接：append    pd方法    3、纵横拼接：concat、merge    4、表关联：merge    所以，只学会merge就可以了'''import pandas as pd# In[concat]df1=pd.DataFrame({'x':x,'y':y1})df2=pd.DataFrame({'x1':x,'y':y2})#数据表摞起来pd.concat([df1,df2],axis=0)  #摞起来,长数据,纵向拼接pd.concat([df1,df2],axis=1)  #横向拼接X=df[df['性别']=='男'][['身高']]# 实际是通过index关联的两张表Y=df[df['性别']=='女'][['身高']].reset_index()pd.concat([X,Y],axis=1)# pd.concat()函数可以沿着指定的轴将多个dataframe或者series拼接到一起，# 这一点和另一个常用的pd.merge()函数不同，pd.merge()函数只能实现两个表的拼接。df1=pd.DataFrame(np.random.randn(3,4),columns=['a','b','c','d'])df2=pd.DataFrame(np.random.randn(3,3),columns=['b','d','e'])pd.concat([df1, df2], axis=1) # 对行操作，相当于水平连接# In[append]dff=df1.append(df2)# 列名相同的才摞起来# 添加新行df1.append(df2)# ignore_index=True表示忽略df2的索引,继续用df1的索引累加df1.append(df2,ignore_index=True)# In[merge:该函数的典型应用场景是，两张表有相同内容的列]# 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)# 默认相同的列pd.merge(df1, df2)pd.merge(df1,df2,on=['b','d'])# 通过索引连接pd.merge(df1, df2, left_index=True, right_index=True)# In[join拼接列，主要用于基于行索引上的合并]# 只要两个表列名不同，不加任何参数就可以直接用。# 如果两个表有重复的列名，需指定lsuffix, rsuffix参数。# 其中参数的意义与merge方法基本相同,只是join方法默认为左外连接how=left# 列名重复的时候需要指定lsuffix, rsuffix参数df1.join(df2, lsuffix='_l', rsuffix='_r')