Python '；pd.concat（[df1，df2]，join='；outer'；）''；df1.先组合（df2）和#x27'；pd.合并（df1、df2）和#x27；和'；df1.join（df2，how='；outer'；）'；？

假设我有以下两个数据帧：

import pandas as pd

A = [174,-155,-931,301]
B = [943,847,510,16]
C = [325,914,501,884]
D = [-956,318,319,-83]

E = [767,814,43,-116]
F = [110,-784,-726,37]
G = [-41,964,-67,-207]
H = [-555,787,764,-788]

df1 = pd.DataFrame({"A": A, "B": B, "C": C, "D": D})
df2 = pd.DataFrame({"E": E, "B": F, "C": G, "D": H})

如果使用

join=outer

执行

concat

，则会得到以下结果数据帧：

pd.concat([data1,data2], join='outer')

如果我执行

df1.combines_first（df2）

，我会得到以下结果：

df1.set_index('B').combine_first(df2.set_index('B')).reset_index()

df1.join(df2, how='outer', on='B', lsuffix='_left', rsuffix='_right')

如果我做了

pd.merge（df1，df2）

，我得到的结果与

concat产生的结果相同：

pd.merge(data1, data2, on=['B','C','D'], how='outer')


最后，如果我执行
df1.join（df2，how='outer'）
，我会得到以下结果：

df1.set_index('B').combine_first(df2.set_index('B')).reset_index()

df1.join(df2, how='outer', on='B', lsuffix='_left', rsuffix='_right')


我不完全理解每种方法如何以及为什么会产生不同的结果。
：沿着给定的轴将一个数据帧附加到另一个数据帧上（默认的axix=0表示沿着索引合并，即将其他数据帧放在给定的数据帧下）。数据在另一个轴上对齐（即，对于默认设置“对齐列”）。这就是为什么我们在不匹配的列“A”和“E”中得到NaN

：用其他数据帧中的现有值替换数据帧中的NAN，其中行和列被合并（来自两个数据帧的行和列的并集）。在您的示例中，从一开始就没有缺失值，但由于联合操作，它们会出现，因为您的索引没有公共项。行的顺序由排序后的组合索引（df1.B和df2.B）生成。

因此，如果数据帧中没有缺失值，通常不会首先使用combine_

是一种数据库样式，由两个数据帧组合而成，提供了比concat更多的合并选项（左、右、特定列）。在您的示例中，结果的数据是相同的，但concat和merge之间的索引存在差异：在列上合并时，将忽略dataframe索引，并创建一个新索引

合并df1索引上的df1和df2，以及df2的给定列（在示例“B”中）。在您的示例中，这与pd.merge（df1，df2，left_on=df1.index，right_on='B'，how='outer'，后缀=（'u left'，'u right'））相同。

。由于df1的索引和df2的“B”列之间不匹配，因此由于外部联接，将出现大量的NAN。

这是否回答了您的问题@LazyCoder没有完全回答，没有。因为你发布的问题只问了

merge

vs

concat

，而我的问题除了

merge

vs

concat

之外，还问了

join

vs

combine\u first

。你问了很多问题。如果你不知道它们是什么，你为什么要问“区别”？——找出它们各自是什么。如果你认为你知道它们是什么，你为什么需要“差异”——这到底是什么意思？无论哪种方式，给出定义，展示并应用研究，并提出一个明确的、具体的、不重复的问题，说明你是如何陷入某一特定点的。请仅将图像用于不能表示为文本或扩充文本的内容。包括带有图像的图例/图例和说明。