一起学习，一起成长！
什么是轴向连接？在学习轴向连接数据合并运算前，我们需要先理解，什么是轴向连接？
数据处理与分析，特别是进行数据可视化时，会接触到x轴或y轴这样的概念。比如说，x轴代表的年龄，y轴代表的是收入，通常做的数据分析则是不同年龄的人平均收入情况。从这个例子中可以发现，轴代表的是一个变量或者称为数据表中的一个字段。而本文中的轴向连接中的”轴向“含义类似，则代表是数据方向，即列，还是行。
所以简单理解，轴向连接指的是数据按照列向进行连接，还是按照行向进行连接。
接下来，我们先使用Numpy创建一个数组，来理解一下什么是“轴向连接”：
In [12]: import numpy as np In [13]: arr=np.arange(12).reshape((3,4)) In [14]: arr Out[14]: array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])
然后使用Numpy的concatenation的函数，进行数据连接：
In [15]: np.concatenate([arr,arr],axis=1) Out[15]: array([[ 0, 1, 2, 3, 0, 1, 2, 3], [ 4, 5, 6, 7, 4, 5, 6, 7], [ 8, 9, 10, 11, 8, 9, 10, 11]])
通过上述结果可以发现，数组按照列向，进行列数据合并。除了Numpy，python中最为丰富且灵活，应用最为便捷且广泛的数据轴向连接函数是pandas 中的concat()函数。丰富的concat()函数参数，让其支持的应用场景足够满足实际需求。我们将会在下文中进行详细介绍。
使用pandas的concat()函数进行轴向连接对于pandas对象（如Series和DataFrame），带有标签的轴使你能够进一步推广数组的连接运算。具体点说，开需要考虑一下这些东西：
- 如果各对象其他轴上的索引不同，那些轴应该是做并集还是交集？
- 结果对象中的分组需要各不相同吗？
- 用于连接的轴重要吗？
Pandas的concat函数提供了一种能够解决这些问题的可靠方式。
将值和索引粘合：concat()具体查看concat函数效果前，我们需要创建3个数据集，具体如下：
In [17]: s1=Series([0,1],index=['a','b']) In [18]: s2=Series([2,3,4],index=['c','d','e']) In [19]: s3=Series([5,6],index=['f','g'])
对这些对象调用concat函数将值和索引粘合在一起：
In [8]: pd.concat([s1,s2,s3]) Out[8]: a 0 b 1 c 2 d 3 e 4 f 5 g 6 dtype: int64
默认情况下，concat是在axis=0上工作的，最终产生一个新的Series。如果传入axis=1，则结果就会变成一个DataFrame（axis=1是列）。
In [9]: pd.concat([s1,s2,s3],axis=1) Out[9]: 0 1 2 a 0.0 NaN NaN b 1.0 NaN NaN c NaN 2.0 NaN d NaN 3.0 NaN e NaN 4.0 NaN f NaN NaN 5.0 g NaN NaN 6.0
这种情况下，另外一条轴上没有重叠，从索引的有序并集（外连接）上就可以看出来。传入join=’inner’即可得到它们的交集。
轴向交集：join=’inner’In [10]: s4=pd.concat([s1*5,s3]) In [11]: s4 Out[11]: a 0 b 5 f 5 g 6 dtype: int64 In [12]: pd.concat([s1,s4],axis=1) Out[12]: 0 1 a 0.0 0 b 1.0 5 f NaN 5 g NaN 6 In [13]: pd.concat([s1,s4],axis=1,join='inner') Out[13]: 0 1 a 0 0 b 1 5
join_axes：指定在其他轴上使用的索引可以通过join_axes指定要在其他轴上使用的索引：
In [14]: pd.concat([s1,s4],axis=1,join_axes=[['a','c','b','e']]) Out[14]: 0 1 a 0.0 0.0 c NaN NaN b 1.0 5.0 e NaN NaN
不过有个问题，参与连接的片段在结果中区分不开。假设想要在连接轴上创建一个层次化索引。使用keys参数即可达到这个目的：
In [15]: result=pd.concat([s1,s2,s3],keys=['one','two','three']) In [16]: result Out[16]: one a 0 b 1 two c 2 d 3 e 4 three f 5 g 6 dtype: int64
轴变换：unstack()In [17]: result.unstack() Out[17]: a b c d e f g one 0.0 1.0 NaN NaN NaN NaN NaN two NaN NaN 2.0 3.0 4.0 NaN NaN three NaN NaN NaN NaN NaN 5.0 6.0
如果沿着axis=1对Series进行合并，则keys就会成为DataFrame的列头：
In [18]: pd.concat([s1,s2,s3],axis=1,keys=['one','two','three']) Out[18]: one two three a 0.0 NaN NaN b 1.0 NaN NaN c NaN 2.0 NaN d NaN 3.0 NaN e NaN 4.0 NaN f NaN NaN 5.0 g NaN NaN 6.0同样的逻辑对DataFrame对象也是一样：
同样的逻辑对DataFrame对象也是一样：
In [19]: df1=DataFrame(np.arange(6).reshape(3,2), index=['a','b','c'],columns=['one','two']) In [20]: df2=DataFrame(5 np.arange(4).reshape(2,2), index=['a','c'],columns=['three','four']) In [21]: df1 Out[21]: one two a 0 1 b 2 3 c 4 5 In [22]: df2 Out[22]: three four a 5 6 c 7 8 In [23]: pd.concat([df1,df2],axis=1,keys=['level1','level2']) Out[23]: level1 level2 one two three four a 0 1 5.0 6.0 b 2 3 NaN NaN c 4 5 7.0 8.0
如果传入的不是列表而是一个字典，则字典的键就会被当作keys选项的值：
In [24]: pd.concat({'level1':df1,'level2':df2}) Out[24]: four one three two level1 a NaN 0.0 NaN 1.0 b NaN 2.0 NaN 3.0 c NaN 4.0 NaN 5.0 level2 a 6.0 NaN 5.0 NaN c 8.0 NaN 7.0 NaN In [25]: pd.concat({'level1':df1,'level2':df2},axis=1) Out[25]: level1 level2 one two three four a 0 1 5.0 6.0 b 2 3 NaN NaN c 4 5 7.0 8.0
names参数此外还有两个用于管理层次化索引创建的参数：
In [26]: pd.concat([df1,df2],axis=1,keys=['level1','level2'], names=['upper','lower']) Out[26]: upper level1 level2 lower one two three four a 0 1 5.0 6.0 b 2 3 NaN NaN c 4 5 7.0 8.0
DataFrame行索引：ignore_index=True最后一个需要考虑的问题是，跟当钱分析工作无关的DataFrame行索引：
In [27]: df1=DataFrame(np.random.randn(3,4),columns=['a','b','c','d']) In [28]: df2=DataFrame(np.random.randn(2,3),columns=['b','d','a']) In [29]: df1 Out[29]: a b c d 0 0.032443 1.113210 0.502779 -1.227075 1 -0.613984 -0.204040 -0.630603 0.341598 2 0.746166 1.518603 0.533425 0.320373 In [30]: df2 Out[30]: b d a 0 -0.350900 0.851649 0.959348 1 -0.071497 1.916604 -0.993156
在这种情况下，传入ignore_index=True即可：
In [31]: pd.concat([df1,df2],ignore_index=True) Out[31]: a b c d 0 0.032443 1.113210 0.502779 -1.227075 1 -0.613984 -0.204040 -0.630603 0.341598 2 0.746166 1.518603 0.533425 0.320373 3 0.959348 -0.350900 NaN 0.851649 4 -0.993156 -0.071497 NaN 1.916604
总体来说，6种轴向连接的pandas方法几乎覆盖到了数据合并场景。
大家可以依据上述内容进行实践，如遇问题，欢迎留言！喜欢的别忘记加个关注！感谢支持！
,
