说明
pd.concat()用于将多个 Series、DataFrame 或 Panel 沿指定轴向拼接，不会按键对齐，而是简单地堆叠，是处理同结构数据的核心工具。
语法
pd.concat(
objs, # 要拼接的对象序列（list / dict / Series / DataFrame）
*,
axis=0, # 拼接轴向：0=行，1=列
join='outer', # 索引对齐方式：'outer' 或 'inner'
ignore_index=False, # 是否忽略原索引重新生成 0..n-1
keys=None, # 分组键，生成 MultiIndex
levels=None, # 与 keys 配合的分组层次
names=None, # 生成的 MultiIndex 的层级名称
verify_integrity=False, # 检查结果索引是否唯一
sort=False, # 对齐时是否对非连接轴索引排序
copy=None, # 是否复制底层数据（None 使用 Copy-on-Write 默认）
)参数说明
| 参数 | 说明 | 示例 |
|---|---|---|
objs | 要拼接的对象序列，可以是 list、dict | [df1, df2]、{'a': df1, 'b': df2} |
axis | 拼接轴向：0=行（垂直），1=列（水平） | axis=0、axis=1 |
join | 非拼接轴的索引对齐方式：'outer' 并集，'inner' 交集 | join='inner' |
ignore_index | 是否忽略原索引，生成新的 0..n-1 整数索引 | ignore_index=True |
keys | 分组键，用于创建 MultiIndex 分层 | keys=['x', 'y'] |
levels | 指定分层索引的具体层级（需与 keys 配合） | levels=[['a', 'b']] |
names | 分层索引的层级名称 | names=['group', 'row'] |
verify_integrity | 若结果为 True，检查索引是否有重复并抛出异常 | verify_integrity=True |
sort | 非连接轴对齐时是否排序 | sort=True |
copy | 是否复制底层数据 | copy=False |
基础拼接
import pandas as pd
df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df2 = pd.DataFrame({'A': [5, 6], 'B': [7, 8]})
# 默认 axis=0，垂直拼接（增加行）
print(pd.concat([df1, df2]))
# A B
# 0 1 3
# 1 2 4
# 0 5 7
# 1 6 8
# axis=1，水平拼接（增加列）
print(pd.concat([df1, df2], axis=1))
# A B A B
# 0 1 3 5 7
# 1 2 4 6 8join 参数：索引对齐
说明
合并时非拼接轴的索引会进行对齐，
join控制取并集还是交集。
df3 = pd.DataFrame({'A': [1, 2]}, index=[0, 1])
df4 = pd.DataFrame({'B': [3, 4]}, index=[1, 2])
# outer（默认）：索引并集，缺失处为 NaN
print(pd.concat([df3, df4], axis=1))
# A B
# 0 1.0 NaN
# 1 2.0 3.0
# 2 NaN 4.0
# inner：索引交集
print(pd.concat([df3, df4], axis=1, join='inner'))
# A B
# 1 2 3ignore_index
说明
拼接后重新生成 0..n-1 的整数索引，避免重复索引问题。
print(pd.concat([df1, df2], ignore_index=True))
# A B
# 0 1 3
# 1 2 4
# 2 5 7
# 3 6 8keys 与 MultiIndex
说明
通过
keys参数为新拼接的数据添加上层分组标签，生成 MultiIndex，便于事后区分数据来源。
print(pd.concat([df1, df2], keys=['first', 'second']))
# A B
# first 0 1 3
# 1 2 4
# second 0 5 7
# 1 6 8
# 指定层级名称
print(pd.concat([df1, df2], keys=['g1', 'g2'], names=['group', 'row']))
# A B
# group row
# g1 0 1 3
# 1 2 4
# g2 0 5 7
# 1 6 8
# 使用 dict 时自动使用键名
print(pd.concat({'one': df1, 'two': df2}, names=['source', 'index']))拼接 Series
s1 = pd.Series([1, 2], name='s1')
s2 = pd.Series([3, 4], name='s2')
# 垂直拼接成 Series
print(pd.concat([s1, s2]))
# 0 1
# 1 2
# 0 3
# 1 4
# 水平拼接成 DataFrame
print(pd.concat([s1, s2], axis=1))
# s1 s2
# 0 1 3
# 1 2 4verify_integrity 与 sort
# 检查索引唯一性
try:
pd.concat([df1, df2], verify_integrity=True)
except ValueError as e:
print(e) # Indexes have overlapping values: Index([0, 1], dtype='int64')
# sort：对非连接轴索引排序
df5 = pd.DataFrame({'B': [1]}, index=[2])
df6 = pd.DataFrame({'A': [2]}, index=[1])
print(pd.concat([df5, df6], axis=1, sort=True))
# B A
# 1 NaN 2.0
# 2 1.0 NaN性能提示
大量拼接注意
pd.concat()在循环中反复调用效率较低，建议改为先收集列表再一次性concat。copy=False配合 Copy-on-Write 可避免不必要的数据复制，但需注意视图与副本问题，参考 视图与副本。
🔗 相关链接
- 14.2 merge() - 按键合并与 concat 的区别
- 五、数据选择与索引 - MultiIndex 结果的选择方法
- 2. DataFrame - DataFrame 基础