做数据分析,几乎逃不开一个操作:把好几张表合成一张表。Pandas 里,这个动作最常用的实现就是 merge()。我第一次用 merge 是在处理订单数据的时候,订单表、用户表、商品表各管一头,分析个销售额还得手动拉 Excel 匹配半天,后来学会了 merge,才真正体会到什么叫“一行代码解决一小时手工活”。这篇文章不是官方文档的复读,而是我自己从多次合并实践中提炼出来的参数用法、踩坑记录和排查经验,适合刚接触 Pandas、准备做表合并的新手,也适合已经会用 merge 但总被莫名报错折磨的朋友。
很多人一上来就翻 Pandas 中文手册,看到一堆参数发怵。我的建议是:merge 这一节先看官方文档,参数解释更准确;网上流传的中文手册当工具书用,遇到生词再翻。你不需要背完所有参数,真正高频的其实就那么几个:how、on、left_on/right_on、suffixes、indicator、validate。把这几个搞透,90% 的合并需求都能搞定。
1. merge 到底是什么:用“对齐”的思路理解表合并
1.1 为什么需要合并多个数据表
真实业务里的数据几乎不会存在一张表里。电商系统里,订单表只存 user_id 和 product_id,用户姓名在用户表,商品价格在商品表。要分析“哪个城市的用户最喜欢买贵的手机”,就得同时用到三张表的信息。这种把多张小表合成一张宽表的过程,就是数据表合并。
我见过不少初学者喜欢用 Excel 的 VLOOKUP 硬凑,列一多就乱。在 Pandas 里,merge() 做的事和 VLOOKUP 类似,但强大得多:它可以按多列匹配、支持四种连接方式、还能告诉你每行数据到底匹配到了没有。与其手动拉表,不如把规则写成代码,以后数据更新了,跑一遍脚本就能出结果。
另外提一句,如果你在 PyCharm 里装 pandas 一直装不上,大概率是解释器环境没选对。先在左下角解释器设置里切换到当前项目用的虚拟环境,再用 pip install pandas 安装,基本一次就通。
1.2 merge、concat、join 的分工别搞混
很多新手把 merge() 和 concat() 混在一起。其实两者解决的是完全不同的问题:
concat()是“堆叠”,纵向把两张表首尾相接,或者横向把两列拼在一起,它不关心两个表之间有什么对应关系。merge()是“连接”,横向把两张表并排拼到一起,但能不能拼上,取决于你指定的键(key)是否相等。DataFrame.join()是merge()的一种简写,默认按索引连接,本质上还是 merge。
| 操作 | 方向 | 连接依据 | 典型场景 |
|---|---|---|---|
concat(axis=0) |
纵向 | 无 | 把 1 月、2 月、3 月的记录拼成一个完整表 |
concat(axis=1) |
横向 | 仅位置 | 两张行数相同的表并排放 |
merge() |
横向 | 指定列的值 | 订单表关联用户表 |
join() |
横向 | 索引 | 按行号对齐的补充信息 |
一句话记忆:要“凑行数”用 concat,要“匹配字段”用 merge。
1.3 这篇文章能帮你解决什么
我写这篇的定位很明确:第一,帮你建立对 merge 的直觉,知道四种连接方式各自会产生什么结果;第二,把高频参数的适用场景讲透,让你在真实业务里不用东查西查;第三,把最常见的坑提前踩好,比如合并后行数翻倍、键类型不一致导致全是 NaN、以及别把 Pandas 的 merge 和 Git 的 merge 搞混。
文章里所有代码都是完整可跑的,建议你打开 Jupyter 或者写个 .py 文件边看边试。数据量小的时候,运行结果一目了然,比干看文档强十倍。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. merge 核心参数逐个拆解:看懂这六个参数就够了
2.1 how 参数:四种连接方式到底选哪个
how 是 merge 里最重要也最容易被忽略的参数。它决定的是“哪些行能留下来”。很多教程会用集合的相交、并集来比喻,我换个更贴近 Excel 的说法:
how='inner':和 VLOOKUP 一样,只在两表都匹配得上的时候才返回。匹配不上的行直接消失。how='left':以左表为准,左表每一行都保留,右表匹配不上的部分填 NaN。相当于“左表是主表,其他表是补充信息”。how='right':和 left 相反,以右表为准。how='outer':两边都保留,匹配不上的各填各的 NaN。相当于“求并集”。
看个实际例子:
python复制import pandas as pd
users = pd.DataFrame({
'user_id': [1, 2, 3, 4],
'name': ['小明', '小红', '小刚', '小美']
})
orders = pd.DataFrame({
'order_id': [101, 102, 103],
'user_id': [1, 2, 99]
})
print(pd.merge(orders, users, on='user_id', how='left'))
输出:
text复制 order_id user_id name
0 101 1 小明
1 102 2 小红
2 103 99 NaN
第 3 行订单对应的 user_id=99 在用户表里不存在,因为是 left join,所以订单行保留,但 name 为 NaN。如果你用的是 inner,这行订单直接没了。
注意:日常业务里 90% 的情况用
how='left'就够了。“我想保留左表全部数据”这个需求出现的频率远超其他几种。
2.2 on、left_on/right_on:找准连接键
on 用来指定按哪一列连接。条件是:这一列在左右两个表里都存在,且列名完全一样。
