DataFrame 合并与拼接

merge 用于按键关联行，concat 用于堆叠或对齐整个对象。核心不在于语法，而在于明确你预期的数据关系。

明确连接意图

import pandas as pd

orders = pd.DataFrame({"order_id": [1, 2, 3], "customer_id": ["A", "A", "B"]})
customers = pd.DataFrame({"customer_id": ["A", "C"], "name": ["Ada", "Lin"]})
result = orders.merge(
    customers,
    on="customer_id",
    how="left",
    validate="many_to_one",
    indicator=True,
    suffixes=("_order", "_customer"),
)

基数校验

在查看输出前，先通过 validate 参数声明预期的关系契约：

one_to_one：两侧键均唯一。
one_to_many：左侧键唯一。
many_to_one：右侧键唯一。
many_to_many：预期存在重复；需显式检查输出规模。

意外的重复键会导致行数倍增，进而破坏聚合结果。若数据关系属于业务契约的一部分，务必在合并前检查键的唯一性。

诊断未匹配键

设置 indicator=True 后，检查 _merge 列的值（left_only、right_only、both）。不要直接丢弃该指示列，而应解释未匹配记录的原因。

注意：Pandas 在合并时会将空值键（null keys）相互匹配，这与典型 SQL 连接语义不同。如果这种匹配没有业务意义，请先删除、填充或隔离空键。

拼接

january, february = orders.iloc[:2], orders.iloc[2:]
features = orders[["order_id"]]
labels = pd.Series([1, 0, 1], index=orders.index)
rows = pd.concat([january, february], ignore_index=True)
columns = pd.concat([features, labels.rename("target")], axis="columns")

按行拼接（默认）会对齐列名，按列拼接（axis="columns"）会对齐索引。仅当旧行标签无业务含义时，才使用 ignore_index=True。若需保留来源分区的可追溯性，请添加 keys= 参数。

时间序列连接

在按连接键排序后，使用 merge_asof 进行最近键时间连接。务必指定方向（direction）和容差（tolerance），防止“最近匹配”退化为任意匹配。

连接类型与行数膨胀

merge API 返回新的 DataFrame。本例左连接保留三条订单，姓名依次为 Ada、Ada、缺失，_merge 依次为 both、both、left_only。左连接无法发现没有订单的客户；外连接才能把 C 标为 right_only。内连接只保留匹配键（本例两行），右连接保留右侧键，外连接保留两侧键的并集。

同一键若左侧出现两次、右侧出现三次，就会产生六行。validate="many_to_many" 不检查唯一性，也不限制输出规模。如果 customers 中 A 重复，本例的 many_to_one 校验会抛出 pd.errors.MergeError。显式指定 on= 可避免意外地按所有同名列连接。

参考

探索关联

被引用 (1)

Pandas

同主题的其他笔记 (52)

打开关联网络

明确连接意图​

基数校验​

诊断未匹配键​

拼接​

时间序列连接​

连接类型与行数膨胀​

参考​