摘要：问题描述：问题我如何使用pd.concat？争论的焦点是什么levels？争论的焦点是什么keys？是否有大量示例可以帮助解释如何使用所有参数？Pandasconcat函数是合并实用程序中的瑞士军刀。它可用于多种情况。现有文档遗漏了一些可选参数的细节。其中包括levels和keys参数。我开始弄清楚这些参数的...

问题描述：

问题

我如何使用pd.concat？
争论的焦点是什么levels？
争论的焦点是什么keys？
是否有大量示例可以帮助解释如何使用所有参数？

Pandasconcat函数是合并实用程序中的瑞士军刀。它可用于多种情况。现有文档遗漏了一些可选参数的细节。其中包括levels和keys参数。我开始弄清楚这些参数的作用。

我将提出一个问题，它将成为了解的诸多方面的门户pd.concat。

考虑数据框d1、d2和d3：

import pandas as pd

d1 = pd.DataFrame(dict(A=.1, B=.2, C=.3), [2, 3])
d2 = pd.DataFrame(dict(B=.4, C=.5, D=.6), [1, 2])
d3 = pd.DataFrame(dict(A=.7, B=.8, D=.9), [1, 3])

如果我把它们连接在一起

pd.concat([d1, d2, d3], keys=['d1', 'd2', 'd3'])

pandas.MultiIndex我得到了对象的预期结果columns：

        A    B    C    D
d1 2  0.1  0.2  0.3  NaN
   3  0.1  0.2  0.3  NaN
d2 1  NaN  0.4  0.5  0.6
   2  NaN  0.4  0.5  0.6
d3 1  0.7  0.8  NaN  0.9
   3  0.7  0.8  NaN  0.9

但是，我想使用levels参数文档：

levels：序列列表，默认为 None。用于构建 MultiIndex 的特定级别（唯一值）。否则，它们将从键中推断出来。

所以我通过了

pd.concat([d1, d2, d3], keys=['d1', 'd2', 'd3'], levels=[['d1', 'd2']])

并得到一个KeyError

ValueError: Key d3 not in level Index(['d1', 'd2'], dtype='object')

这很有道理。我通过的级别不足以描述按键指示的必要级别。如果我没有通过任何内容，就像我上面所做的那样，级别是推断出来的（如文档中所述）。但我还能如何更好地利用这个论点呢？

如果我尝试这样做：

pd.concat([d1, d2, d3], keys=['d1', 'd2', 'd3'], levels=[['d1', 'd2', 'd3']])

我得到了与上面相同的结果。但是当我在级别上再添加一个值时，

df = pd.concat([d1, d2, d3], keys=['d1', 'd2', 'd3'], levels=[['d1', 'd2', 'd3', 'd4']])

我最终得到了看起来相同的数据框，但结果却MultiIndex具有未使用的级别。

df.index.levels[0]

Index(['d1', 'd2', 'd3', 'd4'], dtype='object')

那么这个论点的重点是什么？level我应该用keys不同的方式来表达吗？

我正在使用 Python 3.6 和 Pandas 0.22。

解决方案 1：

在我自己回答这个问题的过程中，我学到了很多东西，我想整理一个示例目录和一些解释。

关于争论点的具体答案levels将在结尾处给出。

`pandas.concat`：失踪的手册

链接至当前文档

导入并定义对象

import pandas as pd

d1 = pd.DataFrame(dict(A=.1, B=.2, C=.3), index=[2, 3])
d2 = pd.DataFrame(dict(B=.4, C=.5, D=.6), index=[1, 2])
d3 = pd.DataFrame(dict(A=.7, B=.8, D=.9), index=[1, 3])

s1 = pd.Series([1, 2], index=[2, 3])
s2 = pd.Series([3, 4], index=[1, 2])
s3 = pd.Series([5, 6], index=[1, 3])

参数

`objs`

我们遇到的第一个论点是objs：

objs：Series、DataFrame 或 Panel 对象的序列或映射。如果传递了字典，则排序后的键将用作键参数，除非传递了字典，在这种情况下将选择值（见下文）。任何 None 对象都将被默默丢弃，除非它们都是 None，在这种情况下将引发 ValueError

Series我们通常看到它与或对象列表一起使用DataFrame。
我将证明这dict也非常有用。
也可以使用生成器，并且在map以下情况下非常有用：map(f, list_of_df)

现在，我们先使用上面定义的一些DataFrame和Series对象的列表。稍后我将展示如何利用字典来提供非常有用的MultiIndex结果。

pd.concat([d1, d2])

     A    B    C    D
2  0.1  0.2  0.3  NaN
3  0.1  0.2  0.3  NaN
1  NaN  0.4  0.5  0.6
2  NaN  0.4  0.5  0.6

`axis`

我们遇到的第二个参数axis的默认值是0：

轴：{0/'index'，1/'columns'}，默认 0 要连接的轴。

两个`DataFrame`s `axis=0`（堆叠）

0对于或的值，index我们的意思是：“沿着列对齐并添加到索引”。

如上所示，我们使用了axis=0，因为0是默认值，并且我们看到的索引d2扩展了的索引，d1尽管值有重叠2：

pd.concat([d1, d2], axis=0)

     A    B    C    D
2  0.1  0.2  0.3  NaN
3  0.1  0.2  0.3  NaN
1  NaN  0.4  0.5  0.6
2  NaN  0.4  0.5  0.6

两个`DataFrame`s`axis=1`并排

对于值1或者columns我们的意思是：“沿着索引对齐并添加到列”，

pd.concat([d1, d2], axis=1)

     A    B    C    B    C    D
1  NaN  NaN  NaN  0.4  0.5  0.6
2  0.1  0.2  0.3  0.4  0.5  0.6
3  0.1  0.2  0.3  NaN  NaN  NaN

d1我们可以看到，结果索引是索引的并集，而结果列是的列通过的列的扩展而得到的d2。

两个（或三个）`Series`带`axis=0`（堆叠）

pandas.Series当沿着组合时axis=0，我们返回。除非所有组合都具有相同的名称，否则pandas.Series结果的名称Series将是。当我们打印出结果时，请注意。当它不存在时，我们可以假设名称是。None`Series'Name: A'SeriesSeriesNone`

               |                       |                        |  pd.concat(
               |  pd.concat(           |  pd.concat(            |      [s1.rename('A'),
 pd.concat(    |      [s1.rename('A'), |      [s1.rename('A'),  |       s2.rename('B'),
     [s1, s2]) |       s2])            |       s2.rename('A')]) |       s3.rename('A')])
-------------- | --------------------- | ---------------------- | ----------------------
2    1         | 2    1                | 2    1                 | 2    1
3    2         | 3    2                | 3    2                 | 3    2
1    3         | 1    3                | 1    3                 | 1    3
2    4         | 2    4                | 2    4                 | 2    4
dtype: int64   | dtype: int64          | Name: A, dtype: int64  | 1    5
               |                       |                        | 3    6
               |                       |                        | dtype: int64

两个（或三个）`Series`并排`axis=1`

pandas.Series当沿着组合时axis=1，它是name我们引用的属性，以便推断结果中的列名pandas.DataFrame。

                       |                       |  pd.concat(
                       |  pd.concat(           |      [s1.rename('X'),
 pd.concat(            |      [s1.rename('X'), |       s2.rename('Y'),
     [s1, s2], axis=1) |       s2], axis=1)    |       s3.rename('Z')], axis=1)
---------------------- | --------------------- | ------------------------------
     0    1            |      X    0           |      X    Y    Z
1  NaN  3.0            | 1  NaN  3.0           | 1  NaN  3.0  5.0
2  1.0  4.0            | 2  1.0  4.0           | 2  1.0  4.0  NaN
3  2.0  NaN            | 3  2.0  NaN           | 3  2.0  NaN  6.0

混合（`Series`堆叠）`DataFrame``axis=0`

Series当执行 a和DataFramealong的连接时axis=0，我们将全部转换Series为单列DataFrame。

请特别注意，这是沿的连接axis=0；这意味着扩展索引（行）同时对齐列。在下面的示例中，我们看到索引变为，这是索引的无差别附加。除非我使用参数[2, 3, 2, 3]强制命名列，否则列不会重叠：Series`to_frame`

 pd.concat(               |
     [s1.to_frame(), d1]) |  pd.concat([s1, d1])
------------------------- | ---------------------
     0    A    B    C     |      0    A    B    C
2  1.0  NaN  NaN  NaN     | 2  1.0  NaN  NaN  NaN
3  2.0  NaN  NaN  NaN     | 3  2.0  NaN  NaN  NaN
2  NaN  0.1  0.2  0.3     | 2  NaN  0.1  0.2  0.3
3  NaN  0.1  0.2  0.3     | 3  NaN  0.1  0.2  0.3

您可以看到结果pd.concat([s1, d1])与我自己执行的结果相同to_frame。

但是，我可以使用参数来控制结果列的名称。使用方法to_frame重命名不会控制结果中的列名。Series`rename`DataFrame

 # Effectively renames       |                            |
 # `s1` but does not align   |  # Does not rename.  So    |  # Renames to something
 # with columns in `d1`      |  # Pandas defaults to `0`  |  # that does align with `d1`
 pd.concat(                  |  pd.concat(                |  pd.concat(
     [s1.to_frame('X'), d1]) |      [s1.rename('X'), d1]) |      [s1.to_frame('B'), d1])
---------------------------- | -------------------------- | ----------------------------
     A    B    C    X        |      0    A    B    C      |      A    B    C
2  NaN  NaN  NaN  1.0        | 2  1.0  NaN  NaN  NaN      | 2  NaN  1.0  NaN
3  NaN  NaN  NaN  2.0        | 3  2.0  NaN  NaN  NaN      | 3  NaN  2.0  NaN
2  0.1  0.2  0.3  NaN        | 2  NaN  0.1  0.2  0.3      | 2  0.1  0.2  0.3
3  0.1  0.2  0.3  NaN        | 3  NaN  0.1  0.2  0.3      | 3  0.1  0.2  0.3

混合（`Series`并排）`DataFrame``axis=1`

这是相当直观的。当某个属性不可用时，Series列名默认为此类对象的枚举。Series`name`

                    |  pd.concat(
 pd.concat(         |      [s1.rename('X'),
     [s1, d1],      |       s2, s3, d1],
     axis=1)        |      axis=1)
------------------- | -------------------------------
   0    A    B    C |      X    0    1    A    B    C
2  1  0.1  0.2  0.3 | 1  NaN  3.0  5.0  NaN  NaN  NaN
3  2  0.1  0.2  0.3 | 2  1.0  4.0  NaN  0.1  0.2  0.3
                    | 3  2.0  NaN  6.0  0.1  0.2  0.3

`join`

第三个参数join描述最终的合并应该是外合并（默认）还是内合并。

连接：{'inner'，'outer'}，默认'outer'
如何处理其他轴上的索引。

事实证明，没有left或right选项，因为pd.concat可以处理两个以上的对象进行合并。

对于d1和来说d2，选项如下：

`outer`

pd.concat([d1, d2], axis=1, join='outer')

     A    B    C    B    C    D
1  NaN  NaN  NaN  0.4  0.5  0.6
2  0.1  0.2  0.3  0.4  0.5  0.6
3  0.1  0.2  0.3  NaN  NaN  NaN

`inner`

pd.concat([d1, d2], axis=1, join='inner')

     A    B    C    B    C    D
2  0.1  0.2  0.3  0.4  0.5  0.6

`join_axes`

第四个参数允许我们进行left合并等等。

join_axes：Index 对象列表，
用于其他 n - 1 个轴的特定索引，而不是执行内/外集逻辑。

左合并

pd.concat([d1, d2, d3], axis=1, join_axes=[d1.index])

     A    B    C    B    C    D    A    B    D
2  0.1  0.2  0.3  0.4  0.5  0.6  NaN  NaN  NaN
3  0.1  0.2  0.3  NaN  NaN  NaN  0.7  0.8  0.9

右合并

pd.concat([d1, d2, d3], axis=1, join_axes=[d3.index])

     A    B    C    B    C    D    A    B    D
1  NaN  NaN  NaN  0.4  0.5  0.6  0.7  0.8  0.9
3  0.1  0.2  0.3  NaN  NaN  NaN  0.7  0.8  0.9

`ignore_index`

ignore_index：布尔值，默认为 False
如果为 True，则不使用连接轴上的索引值。结果轴将被标记为 0、...、n - 1。如果您要连接连接轴没有有意义的索引信息的对象，这将非常有用。请注意，在连接中仍然尊重其他轴上的索引值。

就像当我堆叠d1在顶部时d2，如果我不关心索引值，我可以重置它们或忽略它们。

                      |  pd.concat(             |  pd.concat(
                      |      [d1, d2],          |      [d1, d2]
 pd.concat([d1, d2])  |      ignore_index=True) |  ).reset_index(drop=True)
--------------------- | ----------------------- | -------------------------
     A    B    C    D |      A    B    C    D   |      A    B    C    D
2  0.1  0.2  0.3  NaN | 0  0.1  0.2  0.3  NaN   | 0  0.1  0.2  0.3  NaN
3  0.1  0.2  0.3  NaN | 1  0.1  0.2  0.3  NaN   | 1  0.1  0.2  0.3  NaN
1  NaN  0.4  0.5  0.6 | 2  NaN  0.4  0.5  0.6   | 2  NaN  0.4  0.5  0.6
2  NaN  0.4  0.5  0.6 | 3  NaN  0.4  0.5  0.6   | 3  NaN  0.4  0.5  0.6

使用时axis=1：

                                   |     pd.concat(
                                   |         [d1, d2], axis=1,
 pd.concat([d1, d2], axis=1)       |         ignore_index=True)
-------------------------------    |    -------------------------------
     A    B    C    B    C    D    |         0    1    2    3    4    5
1  NaN  NaN  NaN  0.4  0.5  0.6    |    1  NaN  NaN  NaN  0.4  0.5  0.6
2  0.1  0.2  0.3  0.4  0.5  0.6    |    2  0.1  0.2  0.3  0.4  0.5  0.6
3  0.1  0.2  0.3  NaN  NaN  NaN    |    3  0.1  0.2  0.3  NaN  NaN  NaN

`keys`

我们可以传递标量值或元组的列表，以便将元组或标量值分配给相应的 MultiIndex。传递的列表的长度必须与要连接的项目数相同。

keys : 序列，默认 None
如果传递了多个级别，则应包含元组。使用传递的键作为最外层构建分层索引

`axis=0`

Series当沿着axis=0（扩展索引）连接对象时。

这些键，成为MultiIndex索引属性中一个新的对象的初始级别。

 #           length 3             length 3           #         length 2        length 2
 #          /--------         /-----------         #          /----         /------\n pd.concat([s1, s2, s3], keys=['A', 'B', 'C'])       pd.concat([s1, s2], keys=['A', 'B'])
----------------------------------------------      -------------------------------------
A  2    1                                           A  2    1
   3    2                                              3    2
B  1    3                                           B  1    3
   2    4                                              2    4
C  1    5                                           dtype: int64
   3    6
dtype: int64

但是，我们可以使用参数中的多个标量值keys来创建更深的MultiIndex。在这里，我们传递tuples长度为 2 的，在的前面添加两个新级别MultiIndex：

 pd.concat(
     [s1, s2, s3],
     keys=[('A', 'X'), ('A', 'Y'), ('B', 'X')])
-----------------------------------------------
A  X  2    1
      3    2
   Y  1    3
      2    4
B  X  1    5
      3    6
dtype: int64

`axis=1`

沿列扩展时情况会有所不同。当我们使用axis=0（见上文）时，除了现有索引外，我们的keys还充当级别。对于，我们指的是对象没有的轴，即属性。MultiIndex`axis=1Seriescolumns`

两种Series变化axis=1
请注意，只要没有传递，命名s1和就很重要，但如果传递了，它会被覆盖。s2`keys`keys

               |                       |                        |  pd.concat(
               |  pd.concat(           |  pd.concat(            |      [s1.rename('U'),
 pd.concat(    |      [s1, s2],        |      [s1.rename('U'),  |       s2.rename('V')],
     [s1, s2], |      axis=1,          |       s2.rename('V')], |       axis=1,
     axis=1)   |      keys=['X', 'Y']) |       axis=1)          |       keys=['X', 'Y'])
-------------- | --------------------- | ---------------------- | ----------------------
     0    1    |      X    Y           |      U    V            |      X    Y
1  NaN  3.0    | 1  NaN  3.0           | 1  NaN  3.0            | 1  NaN  3.0
2  1.0  4.0    | 2  1.0  4.0           | 2  1.0  4.0            | 2  1.0  4.0
3  2.0  NaN    | 3  2.0  NaN           | 3  2.0  NaN            | 3  2.0  NaN

MultiIndex与Series和axis=1

 pd.concat(
     [s1, s2],
     axis=1,
     keys=[('W', 'X'), ('W', 'Y')])
-----------------------------------
     W
     X    Y
1  NaN  3.0
2  1.0  4.0
3  2.0  NaN

两个DataFrameaxis=1
与示例一样axis=0，keys将级别添加到MultiIndex，但这次是添加到存储在columns属性中的对象中。

 pd.concat(                     |  pd.concat(
     [d1, d2],                  |      [d1, d2],
     axis=1,                    |      axis=1,
     keys=['X', 'Y'])           |      keys=[('First', 'X'), ('Second', 'X')])
------------------------------- | --------------------------------------------
     X              Y           |   First           Second
     A    B    C    B    C    D |       X                X
1  NaN  NaN  NaN  0.4  0.5  0.6 |       A    B    C      B    C    D
2  0.1  0.2  0.3  0.4  0.5  0.6 | 1   NaN  NaN  NaN    0.4  0.5  0.6
3  0.1  0.2  0.3  NaN  NaN  NaN | 2   0.1  0.2  0.3    0.4  0.5  0.6
                                | 3   0.1  0.2  0.3    NaN  NaN  NaN

Series以及DataFrameaxis=1
这很棘手。在这种情况下，标量键值Series在成为列时不能充当对象的唯一索引级别，同时还不能充当第一级。因此，Pandas 将再次使用对象的属性作为MultiIndex列名的来源。DataFrame`name`Series

 pd.concat(           |  pd.concat(
     [s1, d1],        |      [s1.rename('Z'), d1],
     axis=1,          |      axis=1,
     keys=['X', 'Y']) |      keys=['X', 'Y'])
--------------------- | --------------------------
   X    Y             |    X    Y
   0    A    B    C   |    Z    A    B    C
2  1  0.1  0.2  0.3   | 2  1  0.1  0.2  0.3
3  2  0.1  0.2  0.3   | 3  2  0.1  0.2  0.3

keys和推论

的局限性MultiIndex。

Pandas 似乎只能根据Series名称推断列名，但是在具有不同列级别数的数据框之间进行类似连接时，它不会填补空白。

d1_ = pd.concat(
    [d1], axis=1,
    keys=['One'])
d1_

   One
     A    B    C
2  0.1  0.2  0.3
3  0.1  0.2  0.3

然后将其与列对象中只有一个级别的另一个数据框连接起来，Pandas 将拒绝尝试创建MultiIndex对象的元组，并将所有数据框组合成单个级别的对象、标量和元组。

pd.concat([d1_, d2], axis=1)

   (One, A)  (One, B)  (One, C)    B    C    D
1       NaN       NaN       NaN  0.4  0.5  0.6
2       0.1       0.2       0.3  0.4  0.5  0.6
3       0.1       0.2       0.3  NaN  NaN  NaN

传递一个`dict`而不是一个`list`

传递字典时，pandas.concat将使用字典中的键作为keys参数。

 # axis=0               |  # axis=1
 pd.concat(             |  pd.concat(
     {0: d1, 1: d2})    |      {0: d1, 1: d2}, axis=1)
----------------------- | -------------------------------
       A    B    C    D |      0              1
0 2  0.1  0.2  0.3  NaN |      A    B    C    B    C    D
  3  0.1  0.2  0.3  NaN | 1  NaN  NaN  NaN  0.4  0.5  0.6
1 1  NaN  0.4  0.5  0.6 | 2  0.1  0.2  0.3  0.4  0.5  0.6
  2  NaN  0.4  0.5  0.6 | 3  0.1  0.2  0.3  NaN  NaN  NaN

`levels`

keys这与参数一起使用。levels当保留其默认值时None，Pandas 将获取结果的每个级别的唯一值MultiIndex并将其用作结果属性中使用的对象index.levels。

级别：序列列表，默认无
用于构建多索引的特定级别（唯一值）。否则将从键中推断出它们。

如果 Pandas 已经推断出这些级别应该是什么，我们自己指定它有什么好处呢？我会举一个例子，然后你自己去想其他可能有用的原因。

例子

根据文档，该levels参数是序列列表。这意味着我们可以使用另一个序列pandas.Index作为其中一个序列。

考虑由和连接df而成的数据框：d1`d2`d3

df = pd.concat(
    [d1, d2, d3], axis=1,
    keys=['First', 'Second', 'Fourth'])

df

  First           Second           Fourth
      A    B    C      B    C    D      A    B    D
1   NaN  NaN  NaN    0.4  0.5  0.6    0.7  0.8  0.9
2   0.1  0.2  0.3    0.4  0.5  0.6    NaN  NaN  NaN
3   0.1  0.2  0.3    NaN  NaN  NaN    0.7  0.8  0.9

列对象的级别为：

print(df, *df.columns.levels, sep='
')

Index(['First', 'Second', 'Fourth'], dtype='object')
Index(['A', 'B', 'C', 'D'], dtype='object')

如果我们使用sumwithin a，groupby我们会得到：

df.groupby(axis=1, level=0).sum()

   First  Fourth  Second
1    0.0     2.4     1.5
2    0.6     0.0     1.5
3    0.6     2.4     0.0

但是，如果还有['First', 'Second', 'Fourth']另一个缺失的类别，名为Third和，该怎么办Fifth？我想将它们包含在聚合结果中groupby？如果我们有，我们就可以做到这一点pandas.CategoricalIndex。我们可以提前使用levels参数指定它。

因此，我们将其定义df为：

cats = ['First', 'Second', 'Third', 'Fourth', 'Fifth']
lvl = pd.CategoricalIndex(cats, categories=cats, ordered=True)

df = pd.concat(
    [d1, d2, d3], axis=1,
    keys=['First', 'Second', 'Fourth'],
    levels=[lvl]
)

df

   First  Fourth  Second
1    0.0     2.4     1.5
2    0.6     0.0     1.5
3    0.6     2.4     0.0

但是列对象的第一级是：

df.columns.levels[0]

CategoricalIndex(
    ['First', 'Second', 'Third', 'Fourth', 'Fifth'],
    categories=['First', 'Second', 'Third', 'Fourth', 'Fifth'],
    ordered=True, dtype='category')

我们的groupby总结如下：

df.groupby(axis=1, level=0).sum()

   First  Second  Third  Fourth  Fifth
1    0.0     1.5    0.0     2.4    0.0
2    0.6     1.5    0.0     0.0    0.0
3    0.6     0.0    0.0     2.4    0.0

`names`

这用于命名结果的级别MultiIndex。列表的长度names应与结果中的级别数相匹配MultiIndex。

名称：列表，默认无结果
层次索引中级别的名称

 # axis=0                     |  # axis=1
 pd.concat(                   |  pd.concat(
     [d1, d2],                |      [d1, d2],
     keys=[0, 1],             |      axis=1, keys=[0, 1],
     names=['lvl0', 'lvl1'])  |      names=['lvl0', 'lvl1'])
----------------------------- | ----------------------------------
             A    B    C    D | lvl0    0              1
lvl0 lvl1                     | lvl1    A    B    C    B    C    D
0    2     0.1  0.2  0.3  NaN | 1     NaN  NaN  NaN  0.4  0.5  0.6
     3     0.1  0.2  0.3  NaN | 2     0.1  0.2  0.3  0.4  0.5  0.6
1    1     NaN  0.4  0.5  0.6 | 3     0.1  0.2  0.3  NaN  NaN  NaN
     2     NaN  0.4  0.5  0.6 |

`verify_integrity`

不言自明的文档

verify_integrity：布尔值，默认 False
检查新连接的轴是否包含重复项。相对于实际的数据连接，这可能非常昂贵。

由于连接得到的索引d1不是d2唯一的，因此它将无法通过完整性检查。

pd.concat([d1, d2])

     A    B    C    D
2  0.1  0.2  0.3  NaN
3  0.1  0.2  0.3  NaN
1  NaN  0.4  0.5  0.6
2  NaN  0.4  0.5  0.6

和

pd.concat([d1, d2], verify_integrity=True)

ValueError：索引具有重叠值：[2]

Pandas concat 函数中的“levels”、“keys”和“names”参数有什么用？

问题描述：

问题

解决方案 1：

`pandas.concat`：失踪的手册

导入并定义对象

参数

`objs`

`axis`

两个`DataFrame`s `axis=0`（堆叠）

两个`DataFrame`s`axis=1`并排

两个（或三个）`Series`带`axis=0`（堆叠）

两个（或三个）`Series`并排`axis=1`

混合（`Series`堆叠）`DataFrame``axis=0`

混合（`Series`并排）`DataFrame``axis=1`

`join`

`outer`

`inner`

`join_axes`

左合并

右合并

`ignore_index`

`keys`

`axis=0`

`axis=1`

传递一个`dict`而不是一个`list`

`levels`

例子

`names`

`verify_integrity`

云端的项目管理软件

问题描述：

问题

解决方案 1：

pandas.concat：失踪的手册

导入并定义对象

参数

objs

axis

两个DataFrames axis=0（堆叠）

两个DataFramesaxis=1并排

两个（或三个）Series带axis=0（堆叠）

两个（或三个）Series并排axis=1

混合（Series堆叠）DataFrame`axis=0`

混合（Series并排）DataFrame`axis=1`

join

outer

inner

join_axes

左合并

右合并

ignore_index

keys

axis=0

axis=1

传递一个dict而不是一个list

levels

例子

names

verify_integrity

云端的项目管理软件

`pandas.concat`：失踪的手册

`objs`

`axis`

两个`DataFrame`s `axis=0`（堆叠）

两个`DataFrame`s`axis=1`并排

两个（或三个）`Series`带`axis=0`（堆叠）

两个（或三个）`Series`并排`axis=1`

混合（`Series`堆叠）`DataFrame``axis=0`

混合（`Series`并排）`DataFrame``axis=1`

`join`

`outer`

`inner`

`join_axes`

`ignore_index`

`keys`

`axis=0`

`axis=1`

传递一个`dict`而不是一个`list`

`levels`

`names`

`verify_integrity`