pd.concat()按索引对齐合并最直接，axis=0或1配合join='outer'（并集）或join='inner'（交集）；df1.join(df2)以左索引为主键，默认左连接；pd.merge()需显式启用索引合并，否则默认操作列。
用 pd.concat() 按索引自动对齐合并
当两个 DataFrame 索引不完全一致但存在交集时，pd.concat() 是最直接的选择——它默认按索引对齐，缺失位置填 NaN，无需手动预处理索引。
关键点在于：必须设 axis=0（纵向拼接）或 axis=1（横向拼接），并确认 join='outer'（默认）或 join='inner' 是否符合你的交集需求：
-
join='outer'：取所有索引的并集，结果行数 ≥ 任一原 DataFrame -
join='inner'：只保留两个索引都存在的交集，结果行数 ≤ 任一原 DataFrame
例如：
import pandas as pd
df1 = pd.DataFrame({'A': [1, 2]}, index=['x', 'y'])
df2 = pd.DataFrame({'B': [3, 4]}, index=['y', 'z'])
pd.concat([df1, df2], axis=1, join='inner') # 只保留 'y' 行
用 df1.join(df2) 实现左索引主控合并
join() 方法本质是基于左 DataFrame 的索引做主键合并，右 DataFrame 自动按索引对齐。它比 concat() 更明确表达“以左边为基准”的意图，且默认 how='left'，适合你不想丢失左侧数据的场景。
注意几个易错点：
- 右 DataFrame 索引必须是唯一值，否则报
ValueError: columns overlap but no suffix specified - 若右表有同名列，必须用
lsuffix/rsuffix区分，否则报错 -
join()不支持on参数——它只认索引，不认列
示例：
df1.join(df2, how='left') # 保留 df1 全部索引，df2 中没有匹配的补 NaN
用 pd.merge() 时为什么不能直接用索引？
pd.merge() 默认操作的是列，不是索引。想用索引合并，必须先用 reset_index() 把索引转成列，再指定 left_on 和 right_on；或者用 left_index=True, right_index=True 显式启用索引合并。
但这里容易踩坑：
- 如果其中一个 DataFrame 索引含重复值，
merge(..., left_index=True, right_index=True)会静默产生笛卡尔积，行数暴增 -
merge()默认how='inner'，和join()或concat()的默认行为不同，容易漏数据 - 混合使用索引+列合并（比如
left_index=True+right_on='col'）是合法的，但可读性差、调试困难
更稳妥的做法是统一转列再 merge：
pd.merge(df1.reset_index(), df2.reset_index(), on='index', how='inner').set_index('index')
索引类型不一致会导致合并失败吗？
会，而且错误信息往往不直观。比如一个 DataFrame 索引是 int64，另一个是 object（存了字符串数字），concat 或 join 会照常执行，但对齐结果为空（全 NaN），因为 1 != '1'。
检查方式很简单：
- 用
df.index.dtype看类型 - 用
df.index.equals(other.index)快速验证是否真正相等 - 必要时统一转类型：
df.index = df.index.astype(str)或df.index = pd.to_numeric(df.index, errors='coerce')
这个细节在读 CSV 后未指定 index_col 或用了 set_index() 却没清理数据类型时特别常见。
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！
