left join和right join的区别_第017篇：Concat, Merge, Join的对比

前面讲了Concat、Merge，我先来简单介绍一下Join，再对这三种操作做一对比，以加深印象并在合适的时机使用合适的工具。

df2 = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'],
                   'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})

other = pd.DataFrame({'key': ['K0', 'K1', 'K2'],
                      'B': ['B0', 'B1', 'B2']})

输出是这样的。

join()的调用

可以看出join()是横向拼接，缺省以左侧表格为主，以NaN填充补位。

下面的调用会干净一些。

join()和merge()一样，支持how的四种模式：inner, left, right, outer，其实join()就是merge()的一种封装，后台调用的正是merge()。只是为了调用更为简单，才有了join()。

join()的调用和四种模式大家可以自行练习。

concat, merge()和join()的对比

通过上面join()的例子我们可以看出，通过concat和merge的调用，我们都可以得到上面的结果。那么，它们之间的区别在哪儿？在什么样的场合调用哪个方法更好呢？

merge()和join()的对比

上图join()的运行结果通过merge()的调用是这样的：

可以看出merge()和join()都是横向拼接，都是以index或相同项进行拼接：

merge和join对比

方法	相同点	不同点
merge()	DataFrame对象
	横向拼接
	以index或相同项拼接
join()	同样有inner,left,right,outer	缺省以左侧表格为主
		参数较少，调用简单

相对于merge和join，concat与它们之间的差异来得更大。

concat是Pandas的方法，缺省是纵向拼接，这一点就和merge,join不同。虽然concat可以指定轴向axis=1来实现横向拼接。

其次，concat定位于数据的连接，这更多的停留在物理融合的层面，没有参与感。而merge则更深入地通过共同的index或是共同项，将两组数据从业务层面进行拼和。

所以在使用concat和merge时，大家要注意这两个方面。

分别总结一下这三种方法各自的特点：

merge()

• merge()函数用于将DataFrame与其他数据以内部联接inner，外部联接outer，左联接left，右联接right的模式进行合并。
• 以索引或共同列进行拼接。
• 如果使用共同列进行拼接，则索引将被忽略。
• 如果按索引进行合并，则索引将被合并为一个唯一索引。

join()

• join()用于横向连接两个或更多个DataFrames。
• 后台调用用的是merge，默认为按索引连接。
• 按照索引或共同列进行拼接。
• 默认为左连接，可以像merge一样指定参数为右连接，内连接和外连接。

concat()

• 缺省为垂直连接两个或更多DataFrame和Series。
• 通过指定axis参数可以实现横向连接。
• 默认为外连接outer，可以通过join='inner'进行内连接操作。

有兄弟对这几种方法做了个表格，可以给大家做个参考。