pandas拼接分为级联（pandas.concat，pandas.append） 以及合并（pandas.merge,，pandas.join）
# 导入模块、别名 import numpy as np import pandas as pd from pandas import Series,DataFrame# 定义生成DataFrame的函数： def make_df(cols,index): data = {col:[str(col)+str(ind) for ind in index] for col in cols} df = DataFrame(data = data,columns = cols ,index = index ) return dfdf1 = make_df(['a','b','c'],[1,2,3]) # 输出 a b c 1 a1 b1 c1 2 a2 b2 c2 3 a3 b3 c3df2 = make_df(['a','b','c'],[4,5,6]) # 输出 a b c 4 a4 b4 c4 5 a5 b5 c5 6 a6 b6 c6pandas使用pandas.concat函数，与numpy.concatenate函数类似，只是多了一些参数：
pandas.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, copy=True)和numpy.concatenate一样，优先增加行数（默认axis=0)，numpy.concatenate(axis=1)的时候是水平的级联,numpy中没有index,和columns,所以只要行列相等就可以级联，在pandas中,如果行 和 列不一致,但是shape相同,会级联成一个更大的df,不对应的值会填充NaN。
pandas.concat([df1,df2],axis=1)
pd.concat([df1,df2],axis=0)
df3 = make_df(['a','b','c'],[2,3,4]) # 输出 a b c 2 a2 b2 c2 3 a3 b3 c3 4 a4 b4 c4pd.concat([df1,df3],axis=1)
pd.concat([df1,df3],axis=0,ignore_index=True) #ignore_index 作用是对索引重新排序
pd.concat([df1,df3],axis=1)
df4 = pd.concat([df1,df3],keys=['期中','期末'])
不匹配指的是级联的维度的索引不一致。例如纵向级联时列索引不一致，横向级联时行索引不一致。
df1 = make_df(['a','b','c'],[1,2,3]) # 输出 a b c 1 a1 b1 c1 2 a2 b2 c2 3 a3 b3 c3df5 = make_df(['c','d','e'],[3,4,5]) # 输出 c d e 3 c3 d3 e3 4 c4 d4 e4 5 c5 d5 e5df6 = pd.concat([df1,df5],axis=1)
df6 = pd.concat([df1,df5],axis=0)
df6 = pd.concat([df1,df5],axis=1,join='inner') # 输出 a b c c d e 3 a3 b3 c3 c3 d3 e3df1 = make_df(['a','b','c'],[1,2,3]) # 输出 a b c 1 a1 b1 c1 2 a2 b2 c2 3 a3 b3 c3df5 = make_df(['c','d','e'],[3,4,5]) # 输出 c d e 3 c3 d3 e3 4 c4 d4 e4 5 c5 d5 e5df7 = pd.concat([df1,df5],join_axes=[df1.columns]) #join_axes 的值是一个列表[df1.index]
append专门用于在后面添加，append 和 concat 相似。
df1 = make_df(['a','b','c'],[1,2,3]) # 输出 a b c 1 a1 b1 c1 2 a2 b2 c2 3 a3 b3 c3df5 = make_df(['c','d','e'],[3,4,5]) # 输出 c d e 3 c3 d3 e3 4 c4 d4 e4 5 c5 d5 e5df1.append(df5)