pd.concat() 默认 axis=0 纵向合并，横向拼接须显式指定 axis=1；列名重复自动加后缀，索引不匹配易报错，dtype 不一致会导致静默计算错误。
pd.concat() 默认是纵向合并，横向拼接得加 axis=1
很多人一上来就写 pd.concat([df1, df2])，发现结果是上下堆叠——这不是 bug，是默认行为。pandas 设计上把 axis=0（行方向）当作第一优先级，也就是“按索引对齐后纵向追加”。要横着拼（列方向），必须显式写 axis=1。
常见错误现象：ValueError: Shape mismatch: cannot join on indices with different lengths，往往就是忘了加 axis=1 却拿两个行数不同的 DataFrame 强行横向拼——其实 pandas 此时仍在按 axis=0 解释，试图纵向合并，自然报错。
-
axis=0：按 index 对齐，纵向堆叠（默认，不用写） -
axis=1：按 index 对齐，横向拼接（必须写） - 如果想按列名对齐而非索引对齐，用
join='inner'或join='outer'控制交集/并集逻辑
列名重复时 pd.concat() 不报错，但会悄悄加后缀
横向拼接两个都有 'name' 列的 DataFrame，默认不会报错或覆盖，而是自动改名为 'name'、'name.1'。这在调试时极难察觉，尤其后续做 df['name'] 取值时只拿到第一个，第二个丢了还不知道。
使用场景：合并多个实验结果表，每张表都带 'score' 列；或者拼接不同来源的用户基础信息，字段名撞车很常见。
- 用
keys参数给每个 DataFrame 打标签，生成 MultiIndex 列，避免重名：pd.concat([df1, df2], axis=1, keys=['v1', 'v2']) - 用
names配合keys给 MultiIndex 列命名，结构更清晰 - 不想改名？提前重命名列：
df2 = df2.add_prefix('v2_')
ignore_index=True 对 axis=1 没用，别白设
这个参数只影响被拼接对象的索引（即 axis=0 时的新行号），对横向拼接完全无效。有人误以为加了它就能让列名不重复、或让列顺序重排，其实没任何作用，还可能误导自己以为“已经处理过索引问题”。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
性能影响：开启 ignore_index=True 会强制重建索引，在大表纵向合并时有明显开销；横向拼接时设它纯属冗余计算。
-
ignore_index=True仅适用于axis=0场景 -
axis=1下真正影响对齐的是join和sort=False（后者可提速） - 若两表索引不一致又不想补
NaN，用join='inner'只保留共有的索引行
拼接前不检查 dtypes，后面 groupby 或 sum() 就会静默出错
比如 df1['age'] 是 int64，df2['age'] 是 object（混了字符串如 'N/A'），pd.concat() 照样成功，但新 DataFrame 的 'age' 列 dtype 变成 object。后续调 df.age.sum() 直接返回空字符串，不是报错，是算了个寂寞。
容易被忽略的地方：这种类型污染不会在拼接时报 warning，也不会在 print(df.dtypes) 里一眼看出异常——因为 object 列看着很正常。
- 拼接前用
df.select_dtypes(include=['number']).dtypes快速核对数值列 - 对关键列手动转类型：
df2['age'] = pd.to_numeric(df2['age'], errors='coerce') - 用
verify_integrity=True可检测重复列名（但不查 dtype）
最麻烦的不是拼不起来，是拼起来了还跑得通，结果算错了数。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
