pd.DataFrame.merge()和之间的本质区别是pd.concat()什么？
到目前为止，这是我发现的，请评论我的理解是多么完整和准确：
.merge()只能使用列（加上行索引），并且在语义上适合于数据库样式的操作。.concat()可以与任一轴一起使用，仅使用索引，并提供添加分层索引的选项。
顺便提及，这允许以下冗余：两者都可以使用行索引组合两个数据帧。
pd.DataFrame.join() 只是为以下用例的一部分提供了简写 .merge()
（Pandas非常擅长解决数据分析中的各种用例。探索文档以找出执行特定任务的最佳方法可能有些艰巨。）
Answers:
一个非常高的差异是，merge()它用于基于公共列的值组合两个（或多个）数据帧（索引也可以使用，使用left_index=True和/或right_index=True），并concat()用于附加一个（或多个）数据帧下方（或横向放置，取决于该axis选项是设置为0还是1）。
join()用于根据索引合并2个数据帧；而不是使用merge()选项，left_index=True我们可以使用join()。
例如：
df1 = pd.DataFrame({'Key': ['b', 'b', 'a', 'c', 'a', 'a', 'b'], 'data1': range(7)})
df1:
Key data1
0 b 0
1 b 1
2 a 2
3 c 3
4 a 4
5 a 5
6 b 6
df2 = pd.DataFrame({'Key': ['a', 'b', 'd'], 'data2': range(3)})
df2:
Key data2
0 a 0
1 b 1
2 d 2
#Merge
# The 2 dataframes are merged on the basis of values in column "Key" as it is
# a common column in 2 dataframes
pd.merge(df1, df2)
Key data1 data2
0 b 0 1
1 b 1 1
2 b 6 1
3 a 2 0
4 a 4 0
5 a 5 0
#Concat
# df2 dataframe is appended at the bottom of df1
pd.concat([df1, df2])
Key data1 data2
0 b 0 NaN
1 b 1 NaN
2 a 2 NaN
3 c 3 NaN
4 a 4 NaN
5 a 5 NaN
6 b 6 NaN
0 a Nan 0
1 b Nan 1
2 d Nan 2
how与merge工作中的论点完全不同concat？
pd.concat以aIterable为参数。因此，它不能DataFrame直接将s作为其参数。另外DimensionS的的DataFrame同时，串联沿轴线应该匹配。
pd.merge可以将DataFrames作为其参数，并用于将两个DataFrame具有相同列或索引的s组合在一起，因此无法实现，pd.concat因为它将在DataFrame中显示重复的列。
而join可以用于连接DataFrame具有不同索引的两个。
concat无非就是将几个数据帧相互之间粘合在一起。从某种意义上说它只会显示两次相同的列，因此它并不满足于内容。而merge实际上，当它们相同时，它们将合并列。
concat尺寸不匹配的示例。
我目前正在尝试了解
pd.DataFrame.merge()和之间的本质区别pd.concat()。
好问题。主要区别：
pd.concat 在两个轴上均有效。另一个区别是，仅pd.concat具有内部默认联接和外部联接，而pd.DataFrame.merge()具有left，right，外部，内部默认联接。
第三个值得注意的其他区别是：pd.DataFrame.merge()合并具有相同名称的列时，可以选择设置列后缀，但是pd.concat这是不可能的。
随着pd.concat在默认情况下，你都能够堆叠多个dataframes（行axis=0），当你设置axis=1那么你模仿的pd.DataFrame.merge()功能。
一些有用的例子pd.concat：
df2=pd.concat([df]*2, ignore_index=True) #double the rows of a dataframe
df2=pd.concat([df, df.iloc[[0]]]) # add first row to the end
df3=pd.concat([df1,df2], join='inner', ignore_index=True) # concat two df's
高层次：
.concat()DataFrame在索引对齐后，简单地将多个垂直堆叠在一起或水平缝合.merge()首先对齐两个DataFrame选定的公共列或索引，然后从每个对齐的行中拾取其余的列DataFrame。更具体地说，.concat()：
DataFrame 垂直或水平组合两个或更多熊猫DataFrame包含重复索引时发生错误。和.merge()：
DataFrame方法同时存在（自熊猫1.0起）DataFrame水平准确地合并两个DataFrame的列或索引与其他DataFrame列或索引
对齐请注意，执行时pd.merge(left, right)，如果left有两行包含来自连接列或索引的相同值，则每一行将与right的对应行合并，从而形成笛卡尔积。另一方面，如果.concat()用于合并列，则我们需要确保两者中都不存在重复的索引DataFrame。
实际上来说：
.concat()混合均匀时，首先DataFrame，在考虑.merge()合并时，互补第一DataFrame。.concat()。如果需要通过列水平合并，请使用.merge()，默认情况下，它们会在列上合并。参考：《Pandas 1.x食谱》
merge＆concat之间的主要区别在于，merge使您可以在concat的使用范围更广且结构化程度更低的表上执行结构化的“联接”。
合并
引用文档，pd.DataFrame.merge将right作为必需的参数，您可以将其视为根据一些预定义的结构化联接操作联接左表和右表。注意参数right的定义。
必要参数
可选参数
重要提示： pd.DataFrame.merge要求权限是一个pd.DataFrame或命名pd.Series对象。
输出量
此外，如果我们在下面检查熊猫的合并操作的文档字符串，请执行以下操作：
使用列作为键或它们的行索引在两个DataFrame或Series对象之间执行数据库（SQL）合并操作
康卡特
请参阅文件中pd.concat，首先要注意的参数中指定的任何的表，data_frame，系列，矩阵等，但OBJ文件来代替。也就是说，您可以传递许多“数据容器”，它们定义为：
Iterable[FrameOrSeriesUnion], Mapping[Optional[Hashable], FrameOrSeriesUnion]
必要参数
可选参数
输出量
例
码
import pandas as pd
v1 = pd.Series([1, 5, 9, 13])
v2 = pd.Series([10, 100, 1000, 10000])
v3 = pd.Series([0, 1, 2, 3])
df_left = pd.DataFrame({
"v1": v1,
"v2": v2,
"v3": v3
})
df_right = pd.DataFrame({
"v4": [5, 5, 5, 5],
"v5": [3, 2, 1, 0]
})
df_concat = pd.concat([v1, v2, v3])
# Performing operations on default
merge_result = df_left.merge(df_right, left_index=True, right_index=True)
concat_result = pd.concat([df_left, df_right], sort=False)
print(merge_result)
print('='*20)
print(concat_result)
代码输出
v1 v2 v3 v4 v5
0 1 10 0 5 3
1 5 100 1 5 2
2 9 1000 2 5 1
3 13 10000 3 5 0
====================
v1 v2 v3 v4 v5
0 1.0 10.0 0.0 NaN NaN
1 5.0 100.0 1.0 NaN NaN
2 9.0 1000.0 2.0 NaN NaN
3 13.0 10000.0 3.0 NaN NaN
0 NaN NaN NaN 5.0 3.0
1 NaN NaN NaN 5.0 2.0
2 NaN NaN NaN 5.0 1.0
但是，通过更改axis参数，可以使用concat实现第一个输出（合并）
concat_result = pd.concat([df_left, df_right], sort=False, axis=1)
观察以下行为，
concat_result = pd.concat([df_left, df_right, df_left, df_right], sort=False)
输出；
v1 v2 v3 v4 v5
0 1.0 10.0 0.0 NaN NaN
1 5.0 100.0 1.0 NaN NaN
2 9.0 1000.0 2.0 NaN NaN
3 13.0 10000.0 3.0 NaN NaN
0 NaN NaN NaN 5.0 3.0
1 NaN NaN NaN 5.0 2.0
2 NaN NaN NaN 5.0 1.0
3 NaN NaN NaN 5.0 0.0
0 1.0 10.0 0.0 NaN NaN
1 5.0 100.0 1.0 NaN NaN
2 9.0 1000.0 2.0 NaN NaN
3 13.0 10000.0 3.0 NaN NaN
0 NaN NaN NaN 5.0 3.0
1 NaN NaN NaN 5.0 2.0
2 NaN NaN NaN 5.0 1.0
3 NaN NaN NaN 5.0 0.0
，您无法通过合并执行类似的操作，因为它仅允许单个DataFrame或命名的Series。
merge_result = df_left.merge([df_right, df_left, df_right], left_index=True, right_index=True)
输出；
TypeError: Can only merge Series or DataFrame objects, a <class 'list'> was passed
结论
您可能已经注意到，“合并”和“合并”之间的输入和输出可能有所不同。
正如我在开始时提到的，第一个（主要）区别是“合并”使用一组受限的对象和参数执行更结构化的联接，而“ concat”执行较不严格/较广泛的联接对象和参数。
总而言之，合并对更改/（输入）的容忍度较低，而“ concat”对更改/（输入）的容忍度较低/较不敏感。您可以使用“ concat”来实现“合并”，但并非总是如此。
“合并”操作使用数据框的列（或pd.Series对象的名称）或行索引，并且由于仅使用这些实体，因此它执行数据框或系列的水平合并，因此不应用垂直操作。
如果您想了解更多，可以稍微深入一下源代码。
默认情况下：
join是按列的左
联接pd.merge是按列的内部
联接pd.concat是按行的外部联接
pd.concat：
采用Iterable参数。因此，它不能直接获取DataFrame（使用[df，df2]）
。DataFrame的尺寸应沿轴方向匹配
Join和pd.merge：
可以接受DataFrame参数
df1.join(df2)
pd.merge(df1, df2, left_index=True, right_index=True)
pd.concat([df1, df2], axis=1)
.merge()和的讨论.join()。