6-2 concat的病史叠加

6-2 concat：按轴堆叠的病史叠加

本节摘要：concat沿指定轴把多张表堆成一张：axis=0纵向摞行、axis=1横向拼列，join参数决定不对齐的列与索引怎么处理，ignore_index重排挂号条。本节顺带交代append的退役始末。

merge是"按内容配对"，concat是"按位置堆叠"。十二个月的分表摞成年度总表、订单表旁边拼上气温对照列，都是concat的活。它是堆叠，不问内容：键不参与任何匹配，这一点与merge划清界限。

纵向叠加：月表摞成年表

import pandas as pd

jan = pd.DataFrame({'门店': ['A', 'B'], '金额': [1280, 960]})
feb = pd.DataFrame({'门店': ['A', 'B'], '金额': [1150, 990]})

# axis=0 默认：行摞行，挂号条保留原样
stacked = pd.concat([jan, feb])
print(stacked)
#   门店    金额
# 0    A   1280
# 1    B    960
# 0    A   1150   ← 挂号条重号了
# 1    B    990

# ignore_index=True：重发挂号条
print(pd.concat([jan, feb], ignore_index=True))
#   门店   金额
# 0    A  1280
# 1    B   960
# 2    A  1150
# 3    B   990

# keys参数：给每张来源表挂"上级标签"，做多级索引
tagged = pd.concat([jan, feb], keys=['1月', '2月'])
print(tagged.loc['2月'])
#   门店   金额
# 0    A  1150
# 1    B   990
​

重号挂号条是纵向叠加的第一事故：后续loc[0]一次叫出两行。摞表默认带上ignore_index，除非你要用keys追溯来源。

结构不一致时的取舍

# 2月表多了一列"渠道"
feb2 = pd.DataFrame({'门店': ['A', 'B'], '金额': [1150, 990], '渠道': ['线上', '线下']})

# join='outer'默认：列取并集，缺的补NaN
print(pd.concat([jan, feb2], ignore_index=True))
#   门店    金额   渠道
# 0    A   1280    NaN
# 1    B    960    NaN
# 2    A   1150    线上
# 3    B    990    线下

# join='inner'：只留公共列
print(pd.concat([jan, feb2], ignore_index=True, join='inner'))
#   门店   金额
# 0    A  1280
# 1    B   960
# 2    A  1150
# 3    B   990
​

outer保信息、inner保整齐。报表口径求整齐用inner，原始归档怕丢字段用outer——同一对参数，两种档案观。

横向拼列：按索引对齐

# axis=1：列挨着列放，按挂号条对齐！
weather = pd.DataFrame({'气温': [3, 8]}, index=[0, 1])
print(pd.concat([jan, weather], axis=1))
#   门店   金额  气温
# 0    A  1280    3
# 1    B   960    8

# 挂号条不同就对不上，这是axis=1的第一坑
odd = pd.DataFrame({'湿度': [40]}, index=[1])
print(pd.concat([jan, odd], axis=1))
#   门店    金额  湿度
# 0    A  1280   NaN   ← 0号没有湿度
# 1    B   960  40.0
​

axis=1的"对齐键"是索引本身。日期对不上、重号没重排，拼出来的表就错位。拼列前先确认两边的索引含义一致——时间序列场景里这一条尤其要命，第07章会反复遇到。

append的退役

老代码里常见的df.append(other)在Pandas 1.4被标记废弃、2.0彻底移除。它每次调用都复制整表，循环里append一百次等于复制一百次全量数据。迁移方案一行：

# 旧：result = df1.append(df2)
result = pd.concat([df1, df2], ignore_index=True)

# 循环攒表的正确姿势：先攒列表，最后一次concat
frames = []
for month in range(1, 13):
    frames.append(load_month(month))     # 各月分表
year = pd.concat(frames, ignore_index=True)
print(len(frames), '张月表摞成1张年表')
​

⚠️ 常见坑：循环里逐次concat虽然比append好些，仍是每次都复制。列表攒齐再一次concat，千张分表能从分钟级降到秒级——这也是第08章性能话题的前菜。

两台归并器械的分工

merge与concat的分工图

本节要点回顾

• axis=0摞行默认join='outer'列取并集，inner保公共列
• axis=1拼列按索引对齐，索引含义不一致必错位
• ignore_index防重号，keys保留来源追溯
• append已退役，循环攒表用列表加末次concat
• merge与concat的分工：按内容配对找前者，按位置堆叠找后者

追问：月表结构不一致怎么提前发现

十二张月表逐月人工产出，结构漂移几乎必然：某月加了备注列、某月列名改了中文名。摞表前先做一次结构对账，把各表的列集合亮出来比对：

frames = [jan, feb2]   # 假设共两张
all_cols = {}
for i, f in enumerate(frames):
    all_cols[i] = set(f.columns)
common = set.intersection(*all_cols.values())
union = set.union(*all_cols.values())
print('公共列：', common, '差异列：', union - common)
# 公共列： {'门店', '金额'} 差异列： {'渠道'}
​

差异列的存在不代表必须丢弃，但必须是一个决定而不是一个意外：要么outer保信息、要么inner求整齐，选完在注释里写一句为什么。数据工程的纪律感，多半体现在这些"多写两行让未来的人看懂"的地方。

下一节是归并室的最后一把器械：stack与unstack的床位调整。