自己准备数据集，举例实验merge方法进行两个数据集的合并操作，分别举例介绍inner、outer、left、right合并数据集的差异，同时将按照四种方法合并的数据以电子表格形式保存到当前目录下，文件名称用inner、outer、left、right为名称

好的，我可以为你解答这个问题。为了能够进行数据集合并操作，我们需要先准备两个数据集。这里我随机生成了两个数据集，分别是“学生信息表”和“成绩表”，它们的字段和内容如下：

学生信息表：

| 学号 | 姓名 | 年龄 | 性别 | 籍贯 |
| ---- | ---- | ---- | ---- | ---- |
| 001 | 张三 | 18 | 男 | 河北 |
| 002 | 李四 | 19 | 女 | 湖南 |
| 003 | 王五 | 20 | 男 | 山东 |
| 004 | 赵六 | 21 | 男 | 河南 |

成绩表：

| 学号 | 语文成绩 | 数学成绩 | 英语成绩 |
| ---- | -------- | -------- | -------- |
| 001 | 80 | 90 | 85 |
| 002 | 85 | 88 | 90 |
| 003 | 90 | 92 | 95 |
| 005 | 70 | 75 | 80 |

在 Python 中，我们可以使用 pandas 库来进行数据集合并操作。下面是四种不同的合并方法及其差异：

1. Inner 合并

Inner 合并是指只保留两个数据集中都存在的行。对于上面的例子，进行 Inner 合并的结果如下：

import pandas as pd

# 读取学生信息表和成绩表
df1 = pd.read_csv('students.csv')
df2 = pd.read_csv('scores.csv')

# Inner 合并
df_inner = pd.merge(df1, df2, on='学号', how='inner')
print(df_inner)

输出结果：

| 学号 | 姓名 | 年龄 | 性别 | 籍贯 | 语文成绩 | 数学成绩 | 英语成绩 |
| ---- | ---- | ---- | ---- | ---- | -------- | -------- | -------- |
| 001 | 张三 | 18 | 男 | 河北 | 80 | 90 | 85 |
| 002 | 李四 | 19 | 女 | 湖南 | 85 | 88 | 90 |
| 003 | 王五 | 20 | 男 | 山东 | 90 | 92 | 95 |

可以看到，只有学号为 001、002、003 的学生信息和成绩被保留了下来，学号为 004 和 005 的学生信息和成绩被舍弃了。

2. Outer 合并

Outer 合并是指保留两个数据集中所有的行，如果某个数据集中的某一行在另一个数据集中不存在，则用 NaN 填充。对于上面的例子，进行 Outer 合并的结果如下：

import pandas as pd

# 读取学生信息表和成绩表
df1 = pd.read_csv('students.csv')
df2 = pd.read_csv('scores.csv')

# Outer 合并
df_outer = pd.merge(df1, df2, on='学号', how='outer')
print(df_outer)

输出结果：

| 学号 | 姓名 | 年龄 | 性别 | 籍贯 | 语文成绩 | 数学成绩 | 英语成绩 |
| ---- | ---- | ---- | ---- | ---- | -------- | -------- | -------- |
| 001 | 张三 | 18 | 男 | 河北 | 80 | 90 | 85 |
| 002 | 李四 | 19 | 女 | 湖南 | 85 | 88 | 90 |
| 003 | 王五 | 20 | 男 | 山东 | 90 | 92 | 95 |
| 004 | 赵六 | 21 | 男 | 河南 | NaN | NaN | NaN |
| 005 | NaN | NaN | NaN | NaN | 70 | 75 | 80 |

可以看到，学号为 001、002、003 的学生信息和成绩被保留了下来，学号为 004 的学生信息被保留了下来，但是成绩表中不存在学号为 004 的学生成绩，所以用 NaN 填充。学号为 005 的学生成绩被保留了下来，但是学生信息表中不存在学号为 005 的学生信息，所以用 NaN 填充。

3. Left 合并

Left 合并是指以左边的数据集为主，保留左边数据集中所有行，如果右边的数据集中对应的行不存在，则用 NaN 填充。对于上面的例子，进行 Left 合并的结果如下：

import pandas as pd

# 读取学生信息表和成绩表
df1 = pd.read_csv('students.csv')
df2 = pd.read_csv('scores.csv')

# Left 合并
df_left = pd.merge(df1, df2, on='学号', how='left')
print(df_left)

输出结果：

| 学号 | 姓名 | 年龄 | 性别 | 籍贯 | 语文成绩 | 数学成绩 | 英语成绩 |
| ---- | ---- | ---- | ---- | ---- | -------- | -------- | -------- |
| 001 | 张三 | 18 | 男 | 河北 | 80 | 90 | 85 |
| 002 | 李四 | 19 | 女 | 湖南 | 85 | 88 | 90 |
| 003 | 王五 | 20 | 男 | 山东 | 90 | 92 | 95 |
| 004 | 赵六 | 21 | 男 | 河南 | NaN | NaN | NaN |

可以看到，学号为 001、002、003、004 的学生信息被保留了下来，因为成绩表中不存在学号为 004 的学生成绩，所以用 NaN 填充。

4. Right 合并

Right 合并是指以右边的数据集为主，保留右边数据集中所有行，如果左边的数据集中对应的行不存在，则用 NaN 填充。对于上面的例子，进行 Right 合并的结果如下：

import pandas as pd

# 读取学生信息表和成绩表
df1 = pd.read_csv('students.csv')
df2 = pd.read_csv('scores.csv')

# Right 合并
df_right = pd.merge(df1, df2, on='学号', how='right')
print(df_right)

输出结果：

| 学号 | 姓名 | 年龄 | 性别 | 籍贯 | 语文成绩 | 数学成绩 | 英语成绩 |
| ---- | ---- | ---- | ---- | ---- | -------- | -------- | -------- |
| 001 | 张三 | 18 | 男 | 河北 | 80 | 90 | 85 |
| 002 | 李四 | 19 | 女 | 湖南 | 85 | 88 | 90 |
| 003 | 王五 | 20 | 男 | 山东 | 90 | 92 | 95 |
| 005 | NaN | NaN | NaN | NaN | 70 | 75 | 80 |

可以看到，学号为 001、002、003、005 的学生成绩被保留了下来，因为学生信息表中不存在学号为 005 的学生信息，所以用 NaN 填充。