pd.merge用法

pd.merge()是pandas库中的函数，用于将两个数据集按照指定的条件合并成一个新的数据集。

语法如下：

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)

参数说明：

- `left`：要合并的左侧DataFrame；
- `right`：要合并的右侧DataFrame；
- `how`：合并方式，默认为'inner'，可选参数包括'left'、'right'、'outer'；
- `on`：用于连接的列名，必须在两个DataFrame对象中都存在。如果未指定，则默认使用两个DataFrame中所有同名列作为连接键；
- `left_on`：左侧DataFrame中用作连接键的列；
- `right_on`：右侧DataFrame中用作连接键的列；
- `left_index`：将左侧DataFrame中的行索引用作其连接键；
- `right_index`：将右侧DataFrame中的行索引用作其连接键；
- `sort`：根据连接键对合并后的数据进行排序，默认为False；
- `suffixes`：字符串值元组，用于追加到重叠列名，以区分它们来自于哪个DataFrame。默认为('_x', '_y')；
- `copy`：如果为True，则始终将数据复制到新的DataFrame中。如果为False，则可能返回视图或副本。默认为True；
- `indicator`：添加一个名为_merge的列，其中包含连接键的值的来源（'left_only'，'right_only'或'both'）；
- `validate`：确认合并类型的有效性。可选参数包括'one_to_one'、'one_to_many'、'many_to_one'、'many_to_many'。

示例：

import pandas as pd

df1 = pd.DataFrame({'key': ['A', 'B', 'C', 'D'], 'value': [1, 2, 3, 4]})
df2 = pd.DataFrame({'key': ['B', 'D', 'E', 'F'], 'value': [5, 6, 7, 8]})

# 将df1和df2按照key列进行inner join
result_inner = pd.merge(df1, df2, on='key', how='inner')
print("inner join:")
print(result_inner)

# 将df1和df2按照key列进行left join
result_left = pd.merge(df1, df2, on='key', how='left')
print("left join:")
print(result_left)

# 将df1和df2按照key列进行right join
result_right = pd.merge(df1, df2, on='key', how='right')
print("right join:")
print(result_right)

# 将df1和df2按照key列进行outer join
result_outer = pd.merge(df1, df2, on='key', how='outer')
print("outer join:")
print(result_outer)

输出结果：

inner join:
  key  value_x  value_y
0   B        2        5
1   D        4        6
left join:
  key  value_x  value_y
0   A        1      NaN
1   B        2      5.0
2   C        3      NaN
3   D        4      6.0
right join:
  key  value_x  value_y
0   B      2.0        5
1   D      4.0        6
2   E      NaN        7
3   F      NaN        8
outer join:
  key  value_x  value_y
0   A      1.0      NaN
1   B      2.0      5.0
2   C      3.0      NaN
3   D      4.0      6.0
4   E      NaN      7.0
5   F      NaN      8.0