1. concat
前面介绍了关系型连接，其中最重要的参数是 on 和 how ，但有时候用户并不关心以哪一列为键来合并，只是希望把两个表或者多个表按照纵向或者横向拼接，为这种需求， pandas 中提供了 concat 函数来实现。
在 concat 中，最常用的有三个参数，它们是 axis, join, keys ，分别表示拼接方向，连接形式，以及在新表中指示来自于哪一张旧表的名字。这里需要特别注意， join 和 keys 与之前提到的 join 函数和键的概念没有任何关系。
在默认状态下的 axis=0 ，表示纵向拼接多个表，常常用于多个样本的拼接；而 axis=1 表示横向拼接多个表，常用于多个字段或特征的拼接。
例如，纵向合并各表中人的信息：
In [29]: df1 = pd.DataFrame({'Name':['San Zhang','Si Li'],
....: 'Age':[20,30]})
....:
In [30]: df2 = pd.DataFrame({'Name':['Wu Wang'], 'Age':[40]})
In [31]: pd.concat([df1, df2])
Out[31]:
Name Age
0 San Zhang 20
1 Si Li 30
0 Wu Wang 40
横向合并各表中的字段：
In [32]: df2 = pd.DataFrame({'Grade':[80, 90]})
In [33]: df3 = pd.DataFrame({'Gender':['M', 'F']})
In [34]: pd.concat([df1, df2, df3], 1)
Out[34]:
Name Age Grade Gender
0 San Zhang 20 80 M
1 Si Li 30 90 F
虽然说 concat 不是处理关系型合并的函数，但是它仍然是关于索引进行连接的。纵向拼接会根据列索引对其，默认状态下 join=outer ，表示保留所有的列，并将不存在的值设为缺失； join=inner ，表示保留两个表都出现过的列。横向拼接则根据行索引对齐， join 参数可以类似设置。
In [35]: df2 = pd.DataFrame({'Name':['Wu Wang'], 'Gender':['M']})
In [36]: pd.concat([df1, df2])
Out[36]:
Name Age Gender
0 San Zhang 20.0 NaN
1 Si Li 30.0 NaN
0 Wu Wang NaN M
In [37]: df2 = pd.DataFrame({'Grade':[80, 90]}, index=[1, 2])
In [38]: pd.concat([df1, df2], 1)
Out[38]:
Name Age Grade
0 San Zhang 20.0 NaN
1 Si Li 30.0 80.0
2 NaN NaN 90.0
In [39]: pd.concat([df1, df2], axis=1, join='inner')
Out[39]:
Name Age Grade
1 Si Li 30 80
因此，当确认要使用多表直接的方向合并时，尤其是横向的合并，可以先用 reset_index 方法恢复默认整数索引再进行合并，防止出现由索引的误对齐和重复索引的笛卡尔积带来的错误结果。
最后， keys 参数的使用场景在于多个表合并后，用户仍然想要知道新表中的数据来自于哪个原表，这时可以通过 keys 参数产生多级索引进行标记。例如，第一个表中都是一班的同学，而第二个表中都是二班的同学，可以使用如下方式合并：
In [40]: df1 = pd.DataFrame({'Name':['San Zhang','Si Li'],
....: 'Age':[20,21]})
....:
In [41]: df2 = pd.DataFrame({'Name':['Wu Wang'],'Age':[21]})
In [42]: pd.concat([df1, df2], keys=['one', 'two'])
Out[42]:
Name Age
one 0 San Zhang 20
1 Si Li 21
two 0 Wu Wang 21
2. 序列与表的合并
利用 concat 可以实现多个表之间的方向拼接，如果想要把一个序列追加到表的行末或者列末，则可以分别使用 append 和 assign 方法。
在 append 中，如果原表是默认整数序列的索引，那么可以使用 ignore_index=True 对新序列对应的索引自动标号，否则必须对 Series 指定 name 属性。
In [43]: s = pd.Series(['Wu Wang', 21], index = df1.columns)
In [44]: df1.append(s, ignore_index=True)
Out[44]:
Name Age
0 San Zhang 20
1 Si Li 21
2 Wu Wang 21
对于 assign 而言，虽然可以利用其添加新的列，但一般通过 df['new_col'] = ... 的形式就可以等价地添加新列。同时，使用 [] 修改的缺点是它会直接在原表上进行改动，而 assign 返回的是一个临时副本：
In [45]: s = pd.Series([80, 90])
In [46]: df1.assign(Grade=s)
Out[46]:
Name Age Grade
0 San Zhang 20 80
1 Si Li 21 90
In [47]: df1['Grade'] = s
In [48]: df1
Out[48]:
Name Age Grade
0 San Zhang 20 80
1 Si Li 21 90