python 合并数据集_python的5种索引合并数据集方法及其差别

python是一款简洁又灵活的编程语言。如SQL、R语言、Java等语言，python在数据处理与分析中拥有多种合并数据集的方法，比如我们之前介绍过的数据库风格的合并方法。pandas 是python用于数据分析包中的一种，DataFrame是pandas重要的数据结构。我们可以简单理解DataFrame就如同excel或csv文件存储的数据格式，亦或是MySQL数据库表中的数据展现方式。

索引上的合并

DataFrame中的连接键位于其索引中。在这种情况下，可以传入left_index=True或right_index=True（或两个都传）以说明索引应该被用作连接键，具体举例如下：

首先，我们先来学习“right_index=True”参数的效果：

merge方法默认是求取连接键的交集，因此可以通过外连接（how=’outer’）的方式得到它们的并集：

层次化索引

层次化索引是pandas的一项重要功能，它使你能在一轴上拥有多个（两个以上）索引级别。抽象点说，它使你能以低维度形式处理高维度数据。在合并数据集上，对于层次化索引的数据，相对较为复杂，具体通过下述例子进行说明：

如果遇到将多个列作为键进行合并的场景时，我们需要以列表的形式指明用作合并键的多个列，特别注意过程中对重复索引值的处理，具体说明如下：

接下来，我们一起来查看一同传入left_index=True和right_index=True两个参数的情况，具体如下：

使用“join()”进行索引合并

DataFrame还有一个join实例方法，它能更为方便地实现按索引合并。它还可用于合并多个带有相同或相似索引的DataFrame对象，而不管它们之间有没有重叠的列。

向join传入一组DataFrame

通过向join传入一组DataFrame，实现数据集列合并，具体如下所示：

总体来说，使用python包pandas进行数据集合并的方法较为丰富，覆盖场景较多，且能方便、快捷的完成。而且数据集合并在数据处理过程中经常遇到，所以对其方法的熟练应用，掌握其本质可以更灵活的运用。合并数据集后，可以进行相应的数据分析、数据可视化、机器学习或深度学习，具体根据自身的需要而进行。

「亲，如果笔记对您有帮助，收藏的同时，记得给点个赞、加个关注哦！感谢！」

「文中代码均亲测过，若有错误之处，欢迎批评指正，一起学习，一起成长！」