pd.concat列名不一致报错是因默认严格对齐列名，解决方法包括用join='outer'保留所有列并填nan，或先rename统一列名再合并。
合并时列名不一致，pd.concat 报 ValueError: Plan shapes are not aligned
这不是数据内容问题，而是 Pandas 默认严格对齐列名：如果两个 DataFrame 的列名集合不同，pd.concat 会直接报错（除非显式允许）。常见于从不同来源读取的表——比如一个含 "user_id"，另一个叫 "uid"；或一个有 "amount"，另一个是 "total"。
解决思路不是硬改列名再拼，而是用 ignore_index=True + join='outer' 放宽对齐要求，并靠 keys 或后续重命名区分来源：
-
pd.concat([df1, df2], ignore_index=True, join='outer')会保留所有列，缺失值填NaN，适合结构差异大但语义可对齐的场景 - 若需按业务逻辑映射列（如把
df2['uid']当作df1['user_id']），先统一列名：df2 = df2.rename(columns={'uid': 'user_id', 'total': 'amount'})，再concat或merge - 别依赖
sort=False来“提速”——它不解决列对齐问题，只影响行序，且默认已是False
想按某字段关联合并，但两表主键名/类型/空值不一致，pd.merge 结果为空或重复
这是最常踩的坑：merge 看似简单，实则对连接键极度敏感。比如 df1['order_id'] 是 int64，df2['order_id'] 是 object（含字符串"123"），结果就是 0 行匹配。
实操前必须检查并清洗连接键：
- 用
df1['order_id'].dtype和df2['order_id'].dtype确认类型，不一致就强制转换：df2['order_id'] = pd.to_numeric(df2['order_id'], errors='coerce') - 用
df1['order_id'].isna().sum()查空值，merge默认丢弃含NaN的行；若需保留，提前用fillna()填充或改用how='outer' - 用
df1['order_id'].nunique()对比两表去重数，若差异极大，说明存在脏数据（如带空格、大小写混用），得加.str.strip().str.lower()
合并后内存暴涨、速度极慢，pd.concat 卡住不动
根本原因通常是未指定 copy=False 或忽略索引重建开销。Pandas 默认深拷贝数据，尤其在合并上百列、百万行时，临时对象会吃光内存。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
提速关键动作：
- 明确加
copy=False（Pandas 2.0+ 默认为True）：pd.concat([df1, df2], copy=False, ignore_index=True) - 避免反复
concat：不要在一个循环里不断df = pd.concat([df, new_row])，改用列表收集所有 DataFrame，最后一次性concat - 若只是追加少量行，考虑
df.loc[len(df)] = [...]（小数据）或pd.concat(..., ignore_index=True)（大数据），别用append（已弃用）
合并后数值列变成 object 类型，计算时报 TypeError: unsupported operand type(s)
典型诱因是两表同一列中混入了非数字字符（如“$1,234”、“N/A”、“-”），Pandas 自动转成 object。后续调用 .sum() 或 + 就崩。
修复不能靠 astype(float) 硬转（会报错），而要分步清洗：
- 先定位问题列：
df.select_dtypes(include=['object']).columns - 对数值列做安全转换：
df['amount'] = pd.to_numeric(df['amount'].str.replace(r'[$,]', '', regex=True), errors='coerce') - 合并前统一处理：如果
df1和df2都有'price'列，分别清洗后再concat，别指望合并后统一修
结构差异越大，预处理越关键——合并本身只是胶水，胶水粘不住没打磨过的接口。
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！
