### 如何使用 Pandas 合并数据集 Pandas 提供了多种方法来合并数据集，主要依赖于 `merge` 和 `concatenate` 函数。以下是详细的说明以及示例代码。 #### 使用 `pd.merge()` 进行数据集合并 `pd.merge()` 是一种基于键的连接操作，类似于 SQL 中的 JOIN 操作。可以通过指定不同的参数实现不同类型的合并（如内连接、外连接等）。以下是一个简单的例子： ```python import pandas as pd # 创建两个示例 DataFrame df1 = pd.DataFrame({'key': ['A', 'B', 'C', 'D'], 'value': [1, 2, 3, 4]}) df2 = pd.DataFrame({'key': ['B', 'D', 'E', 'F'], 'another_value': [5, 6, 7, 8]}) # 执行内连接 (inner join) merged_df = pd.merge(df1, df2, on='key', how='inner') print(merged_df) ``` 上述代码实现了基于 `key` 列的内连接操作[^1]。 #### 使用 `pd.concat()` 进行数据集堆叠 如果需要沿某个轴方向简单地堆叠多个数据集，则可以使用 `pd.concat()`。此方法适用于水平或垂直堆叠场景。 ```python # 创建两个示例 DataFrame df_a = pd.DataFrame({'A': ['A0', 'A1', 'A2'], 'B': ['B0', 'B1', 'B2']}) df_b = pd.DataFrame({'A': ['A3', 'A4', 'A5'], 'B': ['B3', 'B4', 'B5']}) # 垂直堆叠 vertical_concat = pd.concat([df_a, df_b], axis=0) # 水平堆叠 horizontal_concat = pd.concat([df_a, df_b], axis=1) print(vertical_concat) print(horizontal_concat) ``` 这里展示了两种常见的堆叠方式：垂直和水平。 #### 自定义索引与合并后的调整 当执行某些复杂的合并操作时，可能会遇到索引冲突的情况。此时可通过重新设置索引来解决问题。例如： ```python # 设置自定义索引 df_custom_index = pd.DataFrame(range(4)) df_custom_index.index = pd.Index(['X', 'Y', 'Z', 'W'], name="CustomIndex") # 查看结果 print(df_custom_index) ``` 该部分涉及到了如何手动设定索引的内容[^4]。 #### 高效字符串列合并 除了常规的数据框合并之外，在实际数据分析过程中还可能涉及到字符串列的高效拼接需求。这时可利用 `.str.cat()` 方法完成任务。如下所示： ```python # 字符串列高效合并实例 data_str = {'col1': ['apple_', 'banana_'], 'col2': ['pie', 'split']} df_strings = pd.DataFrame(data=data_str) result_string = df_strings['col1'].str.cat(df_strings['col2'], sep='') print(result_string) ``` 这是有关字符串列快速合并的一个具体实践案例[^2]。