join基于索引对齐合并，需索引类型一致且值匹配；merge通过left_index/right_index参数支持索引合并，更灵活但需注意参数完整性。
用 join 直接按行索引合并 DataFrame
join 默认就是基于索引对齐的，只要两个 DataFrame 的索引类型一致（比如都是 int64 或都是 datetime64），就能直接用 df1.join(df2) 把 df2 的列按索引“贴”到 df1 上。
常见错误是：其中一个 DataFrame 索引是默认的 RangeIndex，另一个却是自定义的字符串索引，结果合并后全是 NaN —— 这不是 bug，是索引没对上。
- 确保两边索引可比：
df1.index.equals(df2.index)返回True最稳妥 - 如果只想要交集，加参数
how='inner'；默认是'left'，即保留df1全部行 - 避免重复列名冲突：
lsuffix/rsuffix可指定左右同名列的后缀，比如df1.join(df2, lsuffix='_left', rsuffix='_right')
用 merge 指定 left_index=True 和 right_index=True
merge 本意是按列合并，但通过 left_index=True 和 right_index=True，可以强制它把左右两边的索引当“列”来匹配。这在需要混合使用索引和列做关联时特别有用——比如左边用索引、右边用某列。
典型误用：只设了 left_index=True 却忘了 right_index=True，结果报错 MergeError: Must pass right_on or right_index=True。
- 等价写法：
pd.merge(df1, df2, left_index=True, right_index=True) - 若右边不用索引而用列：
pd.merge(df1, df2, left_index=True, right_on='user_id')，此时df1行索引对齐df2的user_id列 - 注意性能：索引合并比列合并快，尤其数据量大时；但如果索引未排序，
merge内部会先排序，反而拖慢
索引合并前必须检查的三件事
很多“合并没效果”问题其实出在索引本身，而不是方法选错。
- 检查索引类型是否一致：
df1.index.dtype和df2.index.dtype要相同，int64和object看似数字但无法自动对齐 - 检查是否有重复索引：
df1.index.duplicated().any()为True时，join会广播，结果行数可能爆炸 - 检查索引值是否真有重叠：
df1.index.intersection(df2.index)能看到实际匹配上的部分；空结果说明根本没交集
什么时候该用 join，什么时候该用 merge？
简单说：纯索引对齐 → 优先 join；要混用索引+列、或需精细控制连接逻辑（如 indicator=True）→ 用 merge。
一个容易被忽略的细节：join 对 df2 的索引不做去重处理，而 merge 在 how='left' 下会保留左表全部索引，但右表重复索引会导致左表某行对应多行结果——这在时间序列对齐时尤其容易踩坑。
如果 df2 是带 MultiIndex 的，join 支持直接对齐，但 merge 需显式指定 right_index=True 并确保层级结构兼容，否则报 KeyError。
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！
