包含在pandas对象的数据可以通过多种方式联合在一起：
- pandas.merge根据一个或多个键将行进行连接。对于SQL或其他关系型数据库的用户来说，这种方式比较熟悉，它实现的是数据库的连接操作。
- pandas.concat使对象在轴向上进行黏合或“堆叠”。
- combine_first实例方法允许将重叠的数据拼接在一起，以使用一个对象中的值填充另一个对象中的缺失值。我会介绍上面几种方法，并给出一些例子。这些例子将会用在本书的后续内容中。
数据库风格的DataFrame连接
合并或连接操作通过一个或多个键连接行来联合数据集。这些操作是关系型数据库的核心内容（例如基于SQL的数据库）。pandas中的merge函数主要用于将各种join操作算法运用在你的数据上：
import pandas as pd
df1 = pd.DataFrame({'key':['b','b','a','c','a','a','b'],'data1': range(7)})
key data1
0 b 0
1 b 1
2 a 2
3 c 3
4 a 4
5 a 5
6 b 6
df2 = pd. DataFrame({'key': ['a','b','d'],'data2': range(3)})
key data2
0 a 0
1 b 1
2 d 2
这是一个多对一连接的例子；df1的数据有多个行的标签为a和b，而df2在key列中每个值仅有一行。调用merge处理我们获得的对象：
pd.merge(df1,df2)
key data1 data2
0 b 0 1
1 b 1 1
2 b 6 1
3 a 2 0
4 a 4 0
5 a 5 0
请注意，我并没有指定在哪一列上进行连接。如果连接的键信息没有指定，merge会自动将重叠列名作为连接的键。但是，显式地指定连接键才是好的实现：
pd.merge(df1,df2,on='key')
key data1 data2
0 b 0 1
1 b 1 1
2 b 6 1
3 a 2 0
4 a 4 0
5 a 5 0
如果每个对象的列名是不同的，你可以分别为它们指定列名：
df1 = pd.DataFrame({'lkey':['b','b','a','c','a','a','b'],'data1': range(7)})
df2 = pd. DataFrame({'rkey': ['a','b','d'],'data2': range(3)})
lkey data1
0 b 0
1 b 1
2 a 2
3 c 3
4 a 4
5 a 5
6 b 6
rkey data2
0 a 0
1 b 1
2 d 2
pd.merge(df1,df2,left_on='lkey',right_on='rkey')
lkey data1 rkey data2
0 b 0 b 1
1 b 1 b 1
2 b 6 b 1
3 a 2 a 0
4 a 4 a 0
5 a 5 a 0
你可能注意到结果中缺少’c’和’d’的值以及相关的数据。默认情况下，merge做的是内连接（‘inner’join），结果中的键是两张表的交集。其他可选的选项有’left’、‘right’和’outer’。外连接（outerjoin）是键的并集，联合了左连接和右连接的效果：
内连接（inner）
pd.merge(df1,df2,left_on='lkey',right_on='rkey',how='inner')
与
pd.merge(df1,df2,left_on='lkey',right_on='rkey')
是一样的
lkey data1 rkey data2
0 b 0 b 1
1 b 1 b 1
2 b 6 b 1
3 a 2 a 0
4 a 4 a 0
5 a 5 a 0
左连接（left）
pd.merge(df1,df2,left_on='lkey',right_on='rkey',how='left')
lkey data1 rkey data2
0 b 0 b 1.0
1 b 1 b 1.0
2 a 2 a 0.0
3 c 3 NaN NaN
4 a 4 a 0.0
5 a 5 a 0.0
6 b 6 b 1.0
右连接（right）
pd.merge(df1,df2,left_on='lkey',right_on='rkey',how='right')
lkey data1 rkey data2
0 b 0.0 b 1
1 b 1.0 b 1
2 b 6.0 b 1
3 a 2.0 a 0
4 a 4.0 a 0
5 a 5.0 a 0
6 NaN NaN d 2
外连接（outer）
pd.merge(df1,df2,left_on='lkey',right_on='rkey',how='outer')
lkey data1 rkey data2
0 b 0.0 b 1.0
1 b 1.0 b 1.0
2 b 6.0 b 1.0
3 a 2.0 a 0.0
4 a 4.0 a 0.0
5 a 5.0 a 0.0
6 c 3.0 NaN NaN
7 NaN NaN d 2.0
对how参数的不同连接类型的总结：
| 选项 | 行为 |
|---|---|
| inner | 只对两张表都有的键的交集进行联合 |
| left | 对所有左表的键进行联合 |
| right | 对所有右表的键进行联合 |
| outer | 对两张表都有的键的并集进行联合 |
尽管不是很直观，但多对多的合并有明确的行为。下面这个例子更能说明上面的情况。
df1 = pd.DataFrame({'key':['b','b','a','c','a','a','b'],'data1': range(7)})
df2 = pd. DataFrame({'key': ['a','b','d'],'data2': range(3)})
out: df1
key data1
0 b 0
1 b 1
2 a 2
3 c 3
4 a 4
5 a 5
6 b 6
out: df2
key data2
0 a 0
1 b 1
2 d 2
pd.merge(df1,df2,on=['key'],how='left')
key data1 data2
0 b 0 1.0
1 b 1 1.0
2 a 2 0.0
3 c 3 NaN
4 a 4 0.0
5 a 5 0.0
6 b 6 1.0
pd.merge(df1,df2,on=['key'],how='right')
key data1 data2
0 b 0.0 1
1 b 1.0 1
2 b 6.0 1
3 a 2.0 0
4 a 4.0 0
5 a 5.0 0
6 d NaN 2
pd.merge(df1,df2,on=['key'],how='inner')
key data1 data2
0 b 0 1
1 b 1 1
2 b 6 1
3 a 2 0
4 a 4 0
5 a 5 0
pd.merge(df1,df2,on=['key'],how='outer')
key data1 data2
0 b 0.0 1.0
1 b 1.0 1.0
2 b 6.0 1.0
3 a 2.0 0.0
4 a 4.0 0.0
5 a 5.0 0.0
6 c 3.0 NaN
7 d NaN 2.0
concat 从DataFrame选择某几列合并计算std
默认情况下，concat方法是沿着axis=0的轴向生效的，生成另一个Series。如果你传递axis=1，返回的结果则是一个DataFrame（axis=1时是列）
dataframe转化成array
df=df.values
array转化成dataframe
import pandas as pd , df = pd.DataFrame(df)
import pandas as pd
import numpy as np
c = np.random.random([2,9]) # 随机生成2行9列的矩阵数据
print(c)
df = pd.DataFrame(c) # 将array转化成dataframe
print(df)
result = pd.concat([df[0],df[8]],axis=1) # 选取某几列合并数据，计算std
print(result)
print(result.std())
out: df
0 1 2 ... 6 7 8
0 0.849008 0.338971 0.411677 ... 0.384588 0.142539 0.324748
1 0.723320 0.643253 0.260974 ... 0.420826 0.563649 0.229707
[2 rows x 9 columns]
out: result
0 8
0 0.849008 0.324748
1 0.723320 0.229707
out: result.std()
0 0.088875
8 0.067204
关于numpy和pandas中std()函数的区别
要想正常计算pandas的std，需要建ddof设置为0即可；pandas的ddof默认为1；
print("计算全局标准差：\n",result.std(ddof=0))
print("计算全局标准差：\n",np.std(result))
print("dataframe转化成array：\n",result.values)
print("计算每一列的标准差：\n",np.std(result.values,axis=0))
print("计算每一行的标准差：\n",np.std(result.values,axis=1))
参考
https://blog.csdn.net/chixujohnny/article/details/68059992
https://blog.csdn.net/u011587322/article/details/80934096
