merge函数位于pandas库中，用于合并连接DateFrame或者Series，其中Series对象可视为DataFrame的一个单列。

<code>pd.merge(df1,df2,how='inner',on=None,left_on=None,right_on=None,code>

left_index=None,right_index=None,sort=None,suffixes=('_x','_y'),

copy=None,indicator=None,validate=None)

参数如下：

df1：DataFrame或者已命名的Series

        拼接的DataFrame1，哪个表在前则为左表

df2：DataFrame或者已命名的Series

        拼接的DataFrame2，哪个表在后则为右表

how：{‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’}，默认为 ‘inner’

        left：仅使用左DataFrame的字典，类似于SQL的左连接，保留字典的排序

        right：仅使用右DataFrame的字典，类似于SQL的右连接，保留字典的排序

        outer：使用两DataFrame字典的并集，类似于SQL的外连接，按照字典顺序排序

        inner：使用两DataFrame字典的交集，类似于SQL的内连接，保留左DataFrame字典顺序

        cross：创建两DataFrame的笛卡尔乘积，保留左DataFrame字典顺序

on：标签或列表

        需要连接的列，必须在左DataFrame和右DataFrame中同时存在。如果on值为None且left_index和right_index为False，默认名字相同的字段连接。

left_on：标签或列表

        左DataFrame需要连接的列或索引级别键（列标签）

right_on：标签或列表

        右DataFrame需要连接的列或索引级别键（列标签）

left_index：bool，默认为False

        如果为True，则使用左表中的行标签作为其连接键。 对于多级索引的表，级别数必须与右表 的连接键数相匹配。

right_index：bool，默认为False

        与left_index类似

sort：布尔值，默认为False

        对输出DataFrame的字典进行排序。如果为False，则根据其连接方式进行排序。

suffixes：

        用于重叠列的字符串后缀元组。 默认为（‘x’，’ y’）

copy：bool，默认为False

        复制传递对象

indicator：bool或str，默认为False

        如果为True，添加一列名为“_merge”到输出的DataFrame，其中包含各行的数据来源。“_merge”包括三种分类：left_only、right_only、both，其中left_only指合并键仅出现在左DataFrame，right_only指合并键仅出现在右DataFrame，both指合并键在左右DataFrame都有。如果indicator输入的是str，该列被命名对应的str值。

validate：str，可选择的，默认为None

        检查merge是否为特定类型

        “one_to_one”或“1:1”：检查合并键在左DataFrame和右DataFrame内是否唯一

        “one_to_many”或“1:m”：检查合并键在左DataFrame内是否唯一

        “many_to_one”或“m:1”：检查合并键在右DataFrame内是否唯一

        “many_to_many”或“m:m”：但不会引发检查

实例：

1、创建DataFrame，或者导入数据表。

import pandas as pd

df1 = pd.DataFrame({

'姓名': ['张三', '李四', '王五', '赵六','boss'],

'职位': ['总经理', '组长', '业务员', '实习生','老板'],

'工资': ['10000', '7000', '5000', '3000','30000']

})

df2 = pd.DataFrame({

'姓名': ['张三', '李四', '王五', '赵六','孙七'],

'职位': ['总经理', '组长', '业务员', '实习生','兼职'],

'上班天数': [22,22,26,22,15],

'绩效':[10000,8000,6000,0,0]

})

2、左连接

pd.merge(df1,df2,how='left',on=['姓名','职位'])code>

3、右连接

<code>pd.merge(df1,df2,how='right',on=['姓名','职位'])code>

4、内连接（此时的内连接与左连接一样）

<code>pd.merge(df1,df2,how='inner',on=['姓名','职位'])code>

5、外连接

<code>pd.merge(df1,df2,how='outer',on=['姓名','职位'])code>

6、left_on,right_on

当两个表的字段名不完全一致时，就需要用left_on和right_on。请看以下例子：

<code>df1 = pd.DataFrame({

'员工姓名': ['张三', '李四', '王五', '赵六','boss'],

'员工职位': ['总经理', '组长', '业务员', '实习生','老板'],

'工资': ['10000', '7000', '5000', '3000','30000']

})

df2 = pd.DataFrame({

'姓名': ['张三', '李四', '王五', '赵六','孙七'],

'职位': ['总经理', '组长', '业务员', '实习生','兼职'],

'上班天数': [22,22,26,22,15],

'绩效':[10000,8000,6000,0,0]

})

此时df1的字段名为员工姓名、员工职位、工资，df2的字段名为姓名、职位、上班天数、绩效，显然员工姓名和姓名实际上是同一个字段，员工职位和职位也是同一个字段，所以

pd.merge(df1, df2, left_on=['员工姓名', '员工职位'], right_on=['姓名', '职位'], how='left')code>

7、left_index、right_index

left_index、right_index的用法与left_on、right_on类似，它们的区别在于一个根据index匹配，一个根据column匹配。left_index、right_index需要一起使用且同时为True。

<code>pd.merge(df1, df2, left_index=True, right_index=True, how='left')code>

事实上left_index、right_index与left_on、right_on可以混用，前提是对应的index和column的名字相同。

<code>df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],

'B': ['B0', 'B1', 'B2', 'B3'],

'key': ['X', 'X', 'Y', 'Y']})

df2 = pd.DataFrame({'C': ['C0', 'C1'],

'D': ['D0', 'D1']},

index=['X', 'Y'])

pd.merge(df1, df2, right_index=True, left_on='key', how='right')code>

8、sort

sort对连接的键值进行排序，sort为True时进行排序，False时保留原来的排序。

import pandas as pd

df1 = pd.DataFrame({

'员工姓名': ['张三', '李四', '王五', '赵六','boss'],

'员工职位': ['总经理', '组长', '业务员', '实习生','老板'],

'工资': ['10000', '7000', '5000', '3000','30000']

})

df2 = pd.DataFrame({

'姓名': ['张三', '李四', '王五', '赵六','孙七'],

'职位': ['总经理', '组长', '业务员', '实习生','兼职'],

'上班天数': [22,22,26,22,15],

'绩效':[10000,8000,6000,0,0]

})

pd.merge(df1, df2, left_on='员工姓名', right_on='姓名', how='right', sort=True)code>

9、suffixes

当两表有名字相同的字段时，pandas自动给它们添加后缀，默认左表的字段名后面添加'_x'，右表的字段名后面添加'_y'。设置suffixes的值则修改后缀。

<code>import pandas as pd

df1 = pd.DataFrame({

'员工姓名': ['张三', '李四', '王五', '赵六','boss'],

'职位': ['总经理', '组长', '业务员', '实习生','老板'],

'工资': ['10000', '7000', '5000', '3000','30000']

})

df2 = pd.DataFrame({

'姓名': ['张三', '李四', '王五', '赵六','孙七'],

'职位': ['总经理', '组长', '业务员', '实习生','兼职'],

'上班天数': [22,22,26,22,15],

'绩效':[10000,8000,6000,0,0]

})

pd.merge(df1, df2, left_on='员工姓名', right_on='姓名', how='right', suffixes=('1', '2'))code>

10、indicator     

indicator返回匹配的结果来源，indicator可以输入布尔值和字符串参数。indicator返回结果有以下三种情况：