在数据科学和机器学习的世界里，必须熟练掌握组织、维护和清理数据以便进一步分析的操作。合并两个 DataFrames 就是这样一个操作的例子。事实证明，使用 Python 中的 Pandas 库很容易合并两个 DataFrames。

Pandas 为我们提供了两个有用的函数，merge() 和 join() 来合并两个 DataFrames。这两种方法非常相似，但 merge() 被认为更通用、更灵活。它还提供了许多参数来改变最终 DataFrame 的行为。join() 将两个 DataFrame 合并在它们的索引上，而 merge() 允许我们指定可以作为键的列来合并两个 DataFrame。

这两个函数的一个共同参数是 how，它定义了连接的类型。默认情况下，how 参数对于 merge() 来说是 inner，对于 join() 来说是 left，但对于这两个函数来说，它可以被改为 left、right、inner 和 outer。了解它们之间的区别是很有必要的。

在合并两个 Pandas DataFrames 时，我们假设一个是左 DataFrame，另一个是右 DataFrame。merge() 和 join() 都是对关键列的记录进行匹配。inner 连接返回一个由两个 DataFrame 中匹配的记录组成的 DataFrame。outer 连接产生一个合并的 DataFrame，包含两个 DataFrame 中的所有元素，填充两边缺失值的 NaN。left 连接包含左边 DataFrame 的所有元素，但只包含右边 DataFrame 的匹配记录。与 left 相反的是 right，它包含右 DataFrame 的所有元素，只包含左 DataFrame 的匹配记录。所有这些都将在接下来的示例代码中更加清晰，我们将在下面的代码中组合 DataFrame。

输出：

当合并两个 DataFrames 的索引时，merge() 函数的 left_index 和 right_index 参数的值应该是 True。下面的代码示例将合并两个 DataFrames，加入类型为 inner。

输出：

下面的代码将合并连接类型为 outer 的 DataFrames。

输出：

正如你所看到的，合并后的 DataFrame 的连接类型为 inner，只有来自两个 DataFrame 的匹配记录，而连接类型为 outer 的 DataFrame 拥有所有的元素，用 NaN 来填充缺失的记录。现在使用左连接。

输出：

上述合并后的 DataFrame 拥有左侧 DataFrame 中的所有元素，只有右边 DataFrame 中的匹配记录。与之完全相反的是右连接，如下图所示。

输出：

join() 方法根据两个 DataFrame 的索引将其合并，默认情况下，连接类型是 left。它总是使用右侧 DataFrame 的索引，但我们可以为左侧 DataFrame 提键。我们可以为 join() 函数指定连接类型，就像我们为 merge() 函数指定的一样。

下面的例子显示了合并后的 DataFrame 的 outer 连接类型。

输出：