merge按列值匹配关联数据，concat按索引或位置堆叠数据；前者用于逻辑关联（如用户与订单），后者用于结构拼接（如多日志合并）。
merge 是按列值匹配，concat 是按位置或索引堆叠
根本区别不在“能不能合并”，而在“怎么对齐”。merge 看的是两表中某列的值是否相等（比如 user_id 都是 101 就连上），而 concat 根本不关心内容，只管把数据块头尾相接（axis=0）或左右并排（axis=1），对齐依据是索引位置或索引值本身。
常见错误现象：
- 用
concat去“关联用户和订单”，结果行数爆炸、字段错位——因为没键匹配，只是机械拼接 - 用
merge去“合并三天的日志表”，结果大量 NaN 或丢数据——因为日志表没有公共键，on参数无从下手
什么时候必须用 merge：需要基于业务键做逻辑关联
典型场景就是两张表有明确的主从/归属关系，比如用户表和订单表、商品表和库存表。这时你不是在“堆数据”，而是在“补信息”。
关键参数和注意事项：
-
on参数必须存在且列值类型一致；若左右列名不同，改用left_on和right_on -
how='left'最常用：保留左表全量，右表无匹配则填NaN；但要注意右表重复键会导致左表某行被展开成多行 - 性能影响：大表
merge会触发哈希连接或排序，若没设索引，可能比concat慢一个数量级
什么时候必须用 concat：结构相同、只需物理拼接
典型场景是时间序列追加（如每天导出一份 CSV）、实验结果汇总、或者把多个模型预测结果横向并列对比。它不解决“谁是谁的”，只解决“谁在谁下面/旁边”。
关键参数和易踩坑点：
-
ignore_index=True几乎必加，否则拼完索引重复（比如都是0,1,2），后续loc或分组会出错 -
axis=1拼宽表时，concat默认按索引对齐——如果两个 DataFrame 索引不一致（比如一个是[0,1,2]，另一个是['a','b','c']），结果直接变稀疏，大量NaN - 列名冲突不会报错，但会自动加后缀
_x/_y（仅当join='outer'且未指定suffixes）
merge 和 concat 混用的边界场景：比如先 concat 再 merge
真实项目里常遇到复合需求：例如把上周和本周的订单分别读入，再统一关联用户信息。这时候不能一步到位，得拆开做。
正确顺序是：
- 先用
pd.concat([last_week_df, this_week_df], ignore_index=True)合并订单（结构一致，无键） - 再用
pd.merge(orders_combined, users_df, on='user_id', how='left')补充用户字段（有逻辑键） - 反例：试图用
merge直接连两个同构日志表，on无意义，how='outer'会把所有行笛卡尔积式展开
最易被忽略的是索引状态——concat 后若忘记重置或校验索引，紧接着做 merge 可能因索引错位导致静默错连，查起来极难定位。
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！
