有两个数据集，我们想把他们的结果根据相同的列名或索引号之类的进行合并，有点类似SQL中的从两个表中选择出不同的记录并进行合并返回。
合并
首先准备数据：
import pandas as pd
import numpy as np
data0 = pd.DataFrame(np.ones((3, 4))*0, columns=['a', 'b', 'c', 'd'])
data1 = pd.DataFrame(np.ones((3, 4))*1, columns=['a', 'b', 'c', 'd'])
data2 = pd.DataFrame(np.ones((3, 4))*2, columns=['a', 'b', 'c', 'd'])
print("data0:")
print(data0)
print("data1:")
print(data1)
print("data2:")
print(data2)
输出为：
data0:
a b c d
0 0.0 0.0 0.0 0.0
1 0.0 0.0 0.0 0.0
2 0.0 0.0 0.0 0.0
data1:
a b c d
0 1.0 1.0 1.0 1.0
1 1.0 1.0 1.0 1.0
2 1.0 1.0 1.0 1.0
data2:
a b c d
0 2.0 2.0 2.0 2.0
1 2.0 2.0 2.0 2.0
2 2.0 2.0 2.0 2.0
现在我们想把上面的这三个数据进行堆叠起来进行合并：
print(pd.concat([data0, data1, data2]))
输出为：
a b c d
0 0.0 0.0 0.0 0.0
1 0.0 0.0 0.0 0.0
2 0.0 0.0 0.0 0.0
0 1.0 1.0 1.0 1.0
1 1.0 1.0 1.0 1.0
2 1.0 1.0 1.0 1.0
0 2.0 2.0 2.0 2.0
1 2.0 2.0 2.0 2.0
2 2.0 2.0 2.0 2.0
忽略原始索引号
如果我们想要把合并后的索引值成为连续的值，则需要增加参数ignore_index=True，忽略掉原始的索引，这样就能重建出新的索引：
print(pd.concat([data0, data1, data2], ignore_index=True))
输出为：
a b c d
0 0.0 0.0 0.0 0.0
1 0.0 0.0 0.0 0.0
2 0.0 0.0 0.0 0.0
3 1.0 1.0 1.0 1.0
4 1.0 1.0 1.0 1.0
5 1.0 1.0 1.0 1.0
6 2.0 2.0 2.0 2.0
7 2.0 2.0 2.0 2.0
8 2.0 2.0 2.0 2.0
横向合并
默认情况下就是堆叠起来的合并方式，如果想要在列上进行合并，则只要设置axis=1属性就可以：
print(pd.concat([data0, data1, data2], axis=1))
输出为：
a b c d a b c d a b c d
0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0
1 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0
2 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0
联合查询
有点类似SQL中的联合查询，也分为inner、outer join
首先我们先准备一下数据：
import pandas as pd
import numpy as np
data0 = pd.DataFrame(np.ones((3, 4))*0, columns=['a', 'b', 'c', 'd'], index=[1, 2, 3])
data1 = pd.DataFrame(np.ones((3, 4))*1, columns=['b', 'c', 'd', 'e'], index=[2, 3, 4])
print("data0:")
print(data0)
print("data1:")
print(data1)
print("合并结果为：")
print(pd.concat([data0, data1]))
输出为：
data0:
a b c d
1 0.0 0.0 0.0 0.0
2 0.0 0.0 0.0 0.0
3 0.0 0.0 0.0 0.0
data1:
b c d e
2 1.0 1.0 1.0 1.0
3 1.0 1.0 1.0 1.0
4 1.0 1.0 1.0 1.0
合并结果为：
a b c d e
1 0.0 0.0 0.0 0.0 NaN
2 0.0 0.0 0.0 0.0 NaN
3 0.0 0.0 0.0 0.0 NaN
2 NaN 1.0 1.0 1.0 1.0
3 NaN 1.0 1.0 1.0 1.0
4 NaN 1.0 1.0 1.0 1.0
在默认情况下，两个数据集的合并为堆叠方式进行合并，并且如果合并后有新的列，则新列中没有的值被设置为NaN。
这种处理模式其实是设置了join='outer'的模式。
如果我们把join模式修改成'inner'，将会出现什么状况呢？
print(pd.concat([data0, data1], join='inner'))
输出为：
b c d
1 0.0 0.0 0.0
2 0.0 0.0 0.0
3 0.0 0.0 0.0
2 1.0 1.0 1.0
3 1.0 1.0 1.0
4 1.0 1.0 1.0
这样输出的结果相当于去除了NaN的列，返回了两个数据集中都有的列数据。
join axes
根据某数轴进行合并。
例如：
print(pd.concat([data0, data1], axis=1, join_axes=[data0.index]))
输出为：
a b c d b c d e
1 0.0 0.0 0.0 0.0 NaN NaN NaN NaN
2 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
3 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
上面例子中根据data0的索引进行横向的合并，合并结果为只在data1中选择出跟data0相同index的值。
如果我们没有使用join_axes的话，其输出为：
a b c d b c d e
1 0.0 0.0 0.0 0.0 NaN NaN NaN NaN
2 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
3 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
4 NaN NaN NaN NaN 1.0 1.0 1.0 1.0
也就是把两个数据集中相同的索引进行合并，同时添加上不相同的索引号
用append添加数据
print(data0.append(data1))
输出为：
a b c d e
1 0.0 0.0 0.0 0.0 NaN
2 0.0 0.0 0.0 0.0 NaN
3 0.0 0.0 0.0 0.0 NaN
2 NaN 1.0 1.0 1.0 1.0
3 NaN 1.0 1.0 1.0 1.0
4 NaN 1.0 1.0 1.0 1.0
开起来跟默认的pd.contact()没什么区别，只是append可以用在数据对象上。
添加一行数据
添加用pd.Series()创建的一行数据：
s1 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
print("一行数据为：")
print(s1)
print("合并结果为：")
print(data0.append(s1, ignore_index=True))
输出为：
a b c d
0 0.0 0.0 0.0 0.0
1 0.0 0.0 0.0 0.0
2 0.0 0.0 0.0 0.0
3 1.0 2.0 3.0 4.0
在新增Series数据时，必须要设置ignore_index=True。