Pandas 提供了多種資料合併方法，靈活運用這些方法可以有效地整合不同來源的資料。理解合併的預設行為，例如沿列合併，是處理資料的基礎。重複索引的產生是 Pandas 合併函式的特性，需要根據實際情況選擇處理方式，例如忽略索引或建立多層索引。concat、merge 和 join 函式各有不同的應用場景，concat 適合簡單的資料串接，merge 根據共同欄位合併，而 join 則根據索引合併。reindex 方法提供了更細緻的欄位控制，append 方法則提供簡潔的資料追加功能。深入理解不同合併型別的區別，例如一對一、多對一和多對多合併，可以更好地處理複雜的資料關係。此外，Pandas 也支援多種合併方式，例如內部合併、左外合併、右外合併和全外合併，可以根據資料集的特性選擇最合適的合併方式。最後，理解關聯代數的基礎概念，可以幫助我們更好地理解 Pandas 資料合併的底層邏輯。
資料合併的預設行為
當進行資料合併時，Pandas 的預設行為是根據 DataFrame 的列進行合併（即沿著列進行合併）。讓我們考慮以下例子：
import pandas as pd
# 建立兩個 DataFrame
df3 = pd.DataFrame({'A': ['A0', 'A1'], 'B': ['B0', 'B1']})
df4 = pd.DataFrame({'C': ['C0', 'C1'], 'D': ['D0', 'D1']})
# 合併 df3 和 df4
result = pd.concat([df3, df4], axis=1)
print(result)
輸出結果：
A B C D
0 A0 B0 C0 D0
1 A1 B1 C1 D1
在這個例子中，我們使用 axis=1 引數指定合併應該沿著列進行。這與使用 axis='columns' 效果相同。
重複索引
Pandas 的合併函式會保留索引，即使結果中有重複的索引。讓我們看另一個例子：
# 建立兩個 DataFrame
x = pd.DataFrame({'A': ['A0', 'A1'], 'B': ['B0', 'B1']})
y = pd.DataFrame({'A': ['A2', 'A3'], 'B': ['B2', 'B3']})
# 設定 y 的索引與 x 相同
y.index = x.index
# 合併 x 和 y
result = pd.concat([x, y])
print(result)
輸出結果：
A B
0 A0 B0
1 A1 B1
0 A2 B2
1 A3 B3
如你所見，結果中出現了重複的索引。這是因為 Pandas 保留了原始索引，即使合併後出現了重複的索引。
內容解密：
在上面的例子中，我們使用 pd.concat() 函式合併了兩個 DataFrame。axis=1 引數指定了合併應該沿著列進行，而 axis=0 則指定合併應該沿著行進行。當合併 DataFrame 時，Pandas 會保留原始索引，即使結果中出現了重複的索引。
圖表翻譯：
在這個圖表中，我們展示了建立 DataFrame、設定索引、合併 DataFrame 和輸出結果的過程。最終，我們檢查了結果中的索引，以確保它們是正確的。
合併資料與索引處理
在進行資料合併時，處理索引的方式對結果有著重要的影響。以下將探討幾種不同的索引處理方法，包括處理重複索引、忽略索引以及新增多層索引。
處理重複索引
當合併資料時，如果索引有重複的值，可以選擇是否將其視為錯誤。使用 verify_integrity 旗標可以設定是否在發現重複索引時丟擲異常。以下是一個示例：
import pandas as pd
# 建立兩個 DataFrame
df1 = pd.DataFrame({'A': ['A0', 'A1'], 'B': ['B0', 'B1']})
df2 = pd.DataFrame({'A': ['A2', 'A3'], 'B': ['B2', 'B3']})
try:
# 合併資料，設定 verify_integrity=True
pd.concat([df1, df2], verify_integrity=True)
except ValueError as e:
print("ValueError:", e)
這將丟擲一個異常，因為索引有重複的值。
忽略索引
如果索引本身不重要，可以設定 ignore_index 旗標為 True，這樣合併後的 DataFrame 將會有一個新的整數索引。
# 合併資料，設定 ignore_index=True
df_concat = pd.concat([df1, df2], ignore_index=True)
print(df_concat)
這將輸出一個新的 DataFrame，具有新的整數索引。
新增多層索引
另外，可以使用 keys 選項指定一個標籤給每個資料來源，這樣結果將是一個具有多層索引的 Series。
# 合併資料，設定 keys 選項
df_concat = pd.concat([df1, df2], keys=['x', 'y'])
print(df_concat)
這將輸出一個具有多層索引的 DataFrame，每個層級代表著資料來源。
內容解密：
verify_integrity旗標用於設定是否在發現重複索引時丟擲異常。ignore_index旗標用於設定是否忽略原有的索引，建立一個新的整數索引。keys選項用於指定一個標籤給每個資料來源，建立一個具有多層索引的結果。
圖表翻譯：
這個流程圖展示了合併資料的不同途徑，包括處理重複索引、忽略索引和新增多層索引。
資料合併與連線
在實際應用中，我們經常需要合併具有不同結構的資料框架（DataFrames）。本文將探討如何使用 Pandas 的 concat 函式和連線（join）功能來實作這一目標。
連線與合併
首先，我們來看一個簡單的例子。假設我們有兩個資料框架 df5 和 df6，它們有一些共同的列，但也有一些不同的列。
import pandas as pd
# 建立資料框架
df5 = pd.DataFrame({'A': ['A1', 'A2'], 'B': ['B1', 'B2'], 'C': ['C1', 'C2']})
df6 = pd.DataFrame({'B': ['B3', 'B4'], 'C': ['C3', 'C4'], 'D': ['D3', 'D4']})
print("df5:")
print(df5)
print("\ndf6:")
print(df6)
輸出結果：
df5:
A B C
0 A1 B1 C1
1 A2 B2 C2
df6:
B C D
0 B3 C3 D3
1 B4 C4 D4
使用 concat 函式合併資料框架
現在，我們可以使用 concat 函式來合併這兩個資料框架。預設情況下，concat 函式會使用外部連線（outer join），這意味著如果某一列在其中一個資料框架中不存在，則會填入 NaN 值。
# 合併資料框架
df_concat = pd.concat([df5, df6], join='outer')
print("\n合併後的資料框架:")
print(df_concat)
輸出結果：
合併後的資料框架:
A B C D
0 A1 B1 C1 NaN
1 A2 B2 C2 NaN
0 NaN B3 C3 D3
1 NaN B4 C4 D4
使用內部連接合併資料框架
如果我們只想要保留兩個資料框架中都存在的列，可以使用內部連線（inner join）。
# 合併資料框架，使用內部連線
df_concat_inner = pd.concat([df5, df6], join='inner')
print("\n使用內部連接合併後的資料框架:")
print(df_concat_inner)
輸出結果：
使用內部連接合併後的資料框架:
B C
0 B1 C1
1 B2 C2
0 B3 C3
1 B4 C4
內容解密：
在上面的例子中，我們使用 concat 函式來合併兩個資料框架。join 引數用於指定合併的方式，可以是 'outer' 或 'inner'。當使用 'outer' 時，會填入 NaN 值；當使用 'inner' 時，會只保留兩個資料框架中都存在的列。
圖表翻譯：
在這個流程圖中，我們可以看到兩個資料框架 df5 和 df6 被合併成一個新的資料框架。然後，使用內部連線來保留兩個資料框架中都存在的列。
合併資料的精妙技巧
在資料分析中，合併資料是一個非常常見的操作。今天，我們要來探討如何使用 reindex 方法來進行合併資料的控制。
使用 reindex 方法進行合併
當我們想要合併兩個資料表時，通常會使用 concat 方法。但是，如果我們想要更細膩地控制哪些欄位被丟棄，則可以使用 reindex 方法。
import pandas as pd
# 建立兩個資料表
df1 = pd.DataFrame({'A': ['A1', 'A2'], 'B': ['B1', 'B2'], 'C': ['C1', 'C2']})
df2 = pd.DataFrame({'B': ['B3', 'B4'], 'C': ['C3', 'C4']})
# 使用 reindex 方法進行合併
df = df1.reindex(columns=df1.columns.union(df2.columns))
df.loc[len(df1):, 'B'] = df2['B']
df.loc[len(df1):, 'C'] = df2['C']
print(df)
輸出結果：
A B C
0 A1 B1 C1
1 A2 B2 C2
2 NaN B3 C3
3 NaN B4 C4
使用 append 方法進行合併
另外，Series 和 DataFrame 物件也提供了 append 方法，可以用來進行合併資料。
df1 = pd.DataFrame({'A': ['A1', 'A2'], 'B': ['B1', 'B2'], 'C': ['C1', 'C2']})
df2 = pd.DataFrame({'B': ['B3', 'B4'], 'C': ['C3', 'C4']})
df = df1.append(df2)
print(df)
輸出結果：
A B C
0 A1 B1 C1
1 A2 B2 C2
0 NaN B3 C3
1 NaN B4 C4
內容解密：
reindex方法可以用來重新索引資料表的欄位，從而實作合併資料的控制。append方法可以用來直接合併兩個資料表，但是需要注意欄位的對齊問題。- 在進行合併資料時，需要注意資料表的欄位和索引的對齊問題，以避免出現 NaN 值。
圖表翻譯：
圖表說明：資料表 1 和資料表 2 進行合併，產生合併結果，然後輸出結果。
合併資料集：使用 merge 和 join
在資料分析中，合併資料集是一個非常重要的步驟。玄貓提供了強大的合併功能，包括 merge 和 join。這些功能可以讓你輕鬆地合併多個資料集，進行資料分析和處理。
什麼是 merge 和 join？
merge 和 join 是兩種不同的合併方法。merge 是根據共同的欄位（column）來合併兩個資料集，而 join 則是根據索引（index）來合併兩個資料集。
使用 pd.merge 進行合併
pd.merge 是一個強大的合併函式，可以根據共同的欄位來合併兩個資料集。以下是使用 pd.merge 的範例：
import pandas as pd
# 建立兩個資料集
df1 = pd.DataFrame({'A': ['A1', 'A2', 'A3'], 'B': ['B1', 'B2', 'B3']})
df2 = pd.DataFrame({'A': ['A1', 'A2', 'A3'], 'C': ['C1', 'C2', 'C3']})
# 使用 pd.merge 進行合併
df_merge = pd.merge(df1, df2, on='A')
print(df_merge)
輸出結果：
A B C
0 A1 B1 C1
1 A2 B2 C2
2 A3 B3 C3
在這個範例中，我們使用 pd.merge 根據欄位 ‘A’ 來合併兩個資料集 df1 和 df2。
使用 join 進行合併
join 是根據索引來合併兩個資料集。以下是使用 join 的範例：
import pandas as pd
# 建立兩個資料集
df1 = pd.DataFrame({'A': ['A1', 'A2', 'A3'], 'B': ['B1', 'B2', 'B3']}, index=['I1', 'I2', 'I3'])
df2 = pd.DataFrame({'C': ['C1', 'C2', 'C3']}, index=['I1', 'I2', 'I3'])
# 使用 join 進行合併
df_join = df1.join(df2)
print(df_join)
輸出結果：
A B C
I1 A1 B1 C1
I2 A2 B2 C2
I3 A3 B3 C3
在這個範例中，我們使用 join 根據索引來合併兩個資料集 df1 和 df2。
內容解密：
在上面的範例中，我們使用 pd.merge 和 join 進行合併資料集。pd.merge 根據共同的欄位來合併兩個資料集，而 join 則是根據索引來合併兩個資料集。這些功能可以讓你輕鬆地合併多個資料集，進行資料分析和處理。
圖表翻譯：
在這個圖表中，我們展示瞭如何使用 pd.merge 和 join 進行合併資料集。pd.merge 根據共同的欄位來合併兩個資料集，而 join 則是根據索引來合併兩個資料集。最終，我們得到了一個合併的資料集。
關聯代數與資料合併
關聯代數是一套正式的規則，用於操縱關聯資料，形成了大多數資料函式庫中可用操作的概念基礎。關聯代數的強大之處在於它提出了幾個基本操作，這些操作成為了更複雜操作的基礎。透過在資料函式庫或其他程式中高效實作這些基本操作，可以執行一系列相當複雜的合成操作。
Pandas 實作了這些基本構建塊中的幾個，包括 pd.merge 函式和 Series 及 DataFrame 物件的相關 join 方法。這些方法允許您從不同的來源高效地連線資料。
合併型別
pd.merge 函式實作了多種合併型別：一對一（one-to-one）、多對一（many-to-one）和多對多（many-to-many）。所有三種型別的合併都可以透過相同的 pd.merge 介面存取；執行的合併型別取決於輸入資料的形式。下面我們將首先介紹三種合併型別的簡單示例，然後更詳細地討論選項。
一對一合併
也許最簡單的合併型別是一對一合併，它在很多方面與您在第 18 章中看到的列向串接類別似。作為一個具體的例子，考慮以下兩個 DataFrame 物件，它們包含公司中幾個員工的資訊：
import pandas as pd
# 定義第一個 DataFrame
df1 = pd.DataFrame({
'employee': ['Bob', 'Jake', 'Lisa', 'Sue'],
'group': ['Accounting', 'Engineering', 'Engineering', 'HR']
})
# 定義第二個 DataFrame
df2 = pd.DataFrame({
'employee': ['Lisa', 'Bob', 'Jake', 'Sue'],
'hire_date': [2004, 2008, 2012, 2014]
})
# 顯示原始 DataFrame
print("df1:")
print(df1)
print("\ndf2:")
print(df2)
# 進行一對一合併
df3 = pd.merge(df1, df2, on='employee')
# 顯示合併結果
print("\n合併結果 (df3):")
print(df3)
這個例子展示瞭如何使用 pd.merge 函式根據 ’employee’ 欄位進行一對一合併，將兩個 DataFrame 中的資料結合起來，建立一個新的 DataFrame df3，其中包含了來自兩個原始 DataFrame 的資訊。
合併資料：一種強大的資料整合方法
在資料分析中，合併資料是一種常見的操作，尤其是在處理多個相關資料表時。Python 的 pandas 函式庫提供了一個強大的工具 pd.merge，可以用來合併兩個或多個資料表。下面，我們將探討如何使用 pd.merge 來進行資料合併。
基本合併
當我們有兩個資料表 df1 和 df2，且兩個資料表都有一個共同的欄位 employee 時，我們可以使用 pd.merge 來合併這兩個資料表。合併的結果是一個新的資料表，包含了兩個原始資料表的所有欄位。
import pandas as pd
# 定義兩個資料表
df1 = pd.DataFrame({
'employee': ['Bob', 'Jake', 'Lisa', 'Sue'],
'group': ['Accounting', 'Engineering', 'Engineering', 'HR'],
'hire_date': [2008, 2012, 2004, 2014]
})
df2 = pd.DataFrame({
'group': ['Accounting', 'Engineering', 'HR'],
'supervisor': ['Carly', 'Guido', 'Steve']
})
# 合併兩個資料表
merged_df = pd.merge(df1, df2, on='group')
print(merged_df)
多對一合併
在多對一合併中，一個資料表的某個欄位包含了重複的值，而另一個資料表的對應欄位則不包含重複值。合併的結果將保留重複的值。
# 定義兩個資料表
df3 = pd.DataFrame({
'employee': ['Bob', 'Jake', 'Lisa', 'Sue'],
'group': ['Accounting', 'Engineering', 'Engineering', 'HR'],
'hire_date': [2008, 2012, 2004, 2014]
})
df4 = pd.DataFrame({
'group': ['Accounting', 'Engineering', 'HR'],
'supervisor': ['Carly', 'Guido', 'Steve']
})
# 合併兩個資料表
merged_df = pd.merge(df3, df4, on='group')
print(merged_df)
結果解釋
在上面的例子中，我們可以看到 pd.merge 函式自動地根據共同的欄位 group 來合併兩個資料表。合併的結果是一個新的資料表，包含了兩個原始資料表的所有欄位。注意到，合併的結果可能會包含重複的值，這取決於原始資料表的內容。
圖表翻譯：
在這個圖表中，我們可以看到兩個原始資料表 A 和 C 被合併成一個新的資料表 D。合併的結果包含了兩個原始資料表的所有欄位，並可能包含重複的值。
多對多合併（Many-to-Many Joins）
在進行資料合併時，可能會遇到多對多的關係，也就是說，一個欄位的值在兩個資料表中都可能出現多次。這種情況下，合併的結果將會是一個包含所有可能組合的新資料表。
範例：員工技能合併
假設我們有兩個資料表：df1 包含員工的基本資訊，df5 包含每個部門所需的技能。現在，我們想要知道每個員工所需的技能。
import pandas as pd
# 員工基本資訊
df1 = pd.DataFrame({
'employee': ['Bob', 'Jake', 'Lisa', 'Sue'],
'group': ['Accounting', 'Engineering', 'Engineering', 'HR']
})
# 部門所需技能
df5 = pd.DataFrame({
'group': ['Accounting', 'Accounting', 'Engineering', 'Engineering', 'HR', 'HR'],
'skills': ['math', 'spreadsheets', 'software', 'math', 'spreadsheets', 'organization']
})
# 合併資料表
merged_df = pd.merge(df1, df5, on='group')
print(merged_df)
結果
合併後的結果如下：
| employee | group | skills | |
|
-|
–| | Bob | Accounting | math | | Bob | Accounting | spreadsheets| | Jake | Engineering| software | | Jake | Engineering| math | | Lisa | Engineering| software | | Lisa | Engineering| math | | Sue | HR | spreadsheets | | Sue | HR | organization |
在這個例子中，每個員工都被分配到了相應部門所需的技能。這樣就可以清楚地看到每個員工需要具備哪些技能。
圖表翻譯：
這個圖表展示瞭如何透過合併兩個資料表來獲得員工所需的技能。首先，從員工基本資訊和部門所需技能兩個資料表中提取相關資訊，然後進行合併，最後得到每個員工所需的技能。
合併資料集：掌握Pandas的強大功能
在資料分析中，合併不同的資料集是一項常見的任務。Pandas提供了多種合併方式，包括內部合併（inner join）、左外合併（left outer join）、右外合併（right outer join）和全外合併（full outer join）。這些合併方式可以根據您的需求進行選擇。
內部合併
內部合併是最常見的合併方式，它傳回兩個資料集中都存在的資料。以下是內部合併的範例：
import pandas as pd
# 定義兩個資料集
df1 = pd.DataFrame({
'name': ['Bob', 'Jake', 'Lisa', 'Sue'],
'group': ['Accounting', 'Engineering', 'Engineering', 'HR']
})
df2 = pd.DataFrame({
'name': ['Bob', 'Jake', 'Lisa', 'Sue'],
'skills': ['math', 'software', 'software', 'spreadsheets']
})
# 進行內部合併
merged_df = pd.merge(df1, df2, on='name')
print(merged_df)
輸出結果：
name group skills
0 Bob Accounting math
1 Jake Engineering software
2 Lisa Engineering software
3 Sue HR spreadsheets
左外合併
左外合併傳回左邊資料集中的所有資料，以及右邊資料集中匹配的資料。如果右邊資料集中沒有匹配的資料，則傳回NaN。
# 進行左外合併
merged_df = pd.merge(df1, df2, on='name', how='left')
print(merged_df)
輸出結果：
name group skills
0 Bob Accounting math
1 Jake Engineering software
2 Lisa Engineering software
3 Sue HR spreadsheets
右外合併
右外合併傳回右邊資料集中的所有資料，以及左邊資料集中匹配的資料。如果左邊資料集中沒有匹配的資料，則傳回NaN。
# 進行右外合併
merged_df = pd.merge(df1, df2, on='name', how='right')
print(merged_df)
輸出結果：
name group skills
0 Bob Accounting math
1 Jake Engineering software
2 Lisa Engineering software
3 Sue HR spreadsheets
全外合併
全外合併傳回兩個資料集中的所有資料，如果有一邊沒有匹配的資料，則傳回NaN。
# 進行全外合併
merged_df = pd.merge(df1, df2, on='name', how='outer')
print(merged_df)
輸出結果：
name group skills
0 Bob Accounting math
1 Jake Engineering software
2 Lisa Engineering software
3 Sue HR spreadsheets
合併多個資料集
Pandas也支援合併多個資料集。以下是合併三個資料集的範例：
# 定義三個資料集
df1 = pd.DataFrame({
'name': ['Bob', 'Jake', 'Lisa', 'Sue'],
'group': ['Accounting', 'Engineering', 'Engineering', 'HR']
})
df2 = pd.DataFrame({
'name': ['Bob', 'Jake', 'Lisa', 'Sue'],
'skills': ['math', 'software', 'software', 'spreadsheets']
})
df3 = pd.DataFrame({
'name': ['Bob', 'Jake', 'Lisa', 'Sue'],
'organization': ['Accounting Dept', 'Engineering Dept', 'Engineering Dept', 'HR Dept']
})
# 進行內部合併
merged_df = pd.merge(df1, df2, on='name')
merged_df = pd.merge(merged_df, df3, on='name')
print(merged_df)
輸出結果：
name group skills organization
0 Bob Accounting math Accounting Dept
1 Jake Engineering software Engineering Dept
2 Lisa Engineering software Engineering Dept
3 Sue HR spreadsheets HR Dept
這些合併方式可以根據您的需求進行選擇，從而實作複雜的資料分析任務。
合併鍵的指定
在進行資料合併時，pd.merge 會預設尋找兩個輸入資料中具有相同欄位名稱的欄位，並將其作為合併的鍵。然而，在實際應用中，欄位名稱可能不會如此完美地匹配，因此 pd.merge 提供了多種選項來處理這種情況。
使用 on 關鍵字
最直接的方法是使用 on 關鍵字來明確指定合併鍵的欄位名稱。這個關鍵字可以接受一個欄位名稱或是一個欄位名稱列表：
import pandas as pd
# 定義兩個 DataFrame
df1 = pd.DataFrame({
'employee': ['Bob', 'Jake', 'Lisa', 'Sue'],
'group': ['Accounting', 'Engineering', 'Engineering', 'HR']
})
df2 = pd.DataFrame({
'employee': ['Lisa', 'Bob', 'Jake', 'Sue'],
'hire_date': [2004, 2008, 2012, 2014]
})
# 使用 on 關鍵字指定合併鍵
merged_df = pd.merge(df1, df2, on='employee')
print(merged_df)
輸出結果：
employee group hire_date
0 Bob Accounting 2008
1 Jake Engineering 2012
2 Lisa Engineering 2004
3 Sue HR 2014
這個選項只適用於兩個 DataFrame 都具有指定的欄位名稱的情況下。
合併資料集的靈活性
在實際應用中，我們常遇到需要合併兩個具有不同欄位名稱的資料集的情況。例如，我們有一個資料集中的員工姓名標籤為「name」，而另一個資料集中的員工姓名標籤為「employee」。這時，我們可以使用 left_on 和 right_on 引數來指定這兩個欄位名稱，以便進行合併。
使用 left_on 和 right_on 引數
下面的範例展示瞭如何使用 left_on 和 right_on 引數來合併兩個資料集。假設我們有兩個資料集：df1 和 df3。
import pandas as pd
# 建立資料集 df1
df1 = pd.DataFrame({
'employee': ['Bob', 'Jake', 'Lisa', 'Sue'],
'group': ['Accounting', 'Engineering', 'Engineering', 'HR']
})
# 建立資料集 df3
df3 = pd.DataFrame({
'name': ['Bob', 'Jake', 'Lisa', 'Sue'],
'salary': [70000, 80000, 120000, 90000]
})
# 使用 left_on 和 right_on 引數進行合併
merged_df = pd.merge(df1, df3, left_on="employee", right_on="name")
print(merged_df)
處理多餘欄位
合併後的結果可能包含多餘的欄位，例如上述範例中的 name 欄位。在這種情況下，我們可以使用 drop() 方法來移除不需要的欄位。
# 移除 name 欄位
merged_df = pd.merge(df1, df3, left_on="employee", right_on="name").drop('name', axis=1)
print(merged_df)
結果分析
合併後的資料集包含了原始資料集的所有欄位，同時也保留了兩個資料集之間的關聯性。這使得我們可以進行進一步的分析和處理。
內容解密：
在上述程式碼中，我們使用 pd.merge() 函式來合併兩個資料集。left_on 和 right_on 引數分別指定了左邊和右邊資料集中的欄位名稱，用於進行合併。然後，我們使用 drop() 方法來移除不需要的欄位。
圖表翻譯：
@startuml
skinparam backgroundColor #FEFEFE
skinparam componentStyle rectangle
title Pandas資料合併技巧與索引處理
package "資料視覺化流程" {
package "資料準備" {
component [資料載入] as load
component [資料清洗] as clean
component [資料轉換] as transform
}
package "圖表類型" {
component [折線圖 Line] as line
component [長條圖 Bar] as bar
component [散佈圖 Scatter] as scatter
component [熱力圖 Heatmap] as heatmap
}
package "美化輸出" {
component [樣式設定] as style
component [標籤註解] as label
component [匯出儲存] as export
}
}
load --> clean --> transform
transform --> line
transform --> bar
transform --> scatter
transform --> heatmap
line --> style --> export
bar --> label --> export
note right of scatter
探索變數關係
發現異常值
end note
@enduml這個流程圖展示瞭如何使用 left_on 和 right_on 引數來合併兩個資料集，並移除多餘的欄位以得到最終結果。
從資料合併效能與應用場景的綜合分析來看，Pandas 提供的 concat、merge 和 join 等方法展現了高度的靈活性，能夠有效處理各種資料整合需求。尤其在關聯代數的基礎上，pd.merge 實作了多樣化的合併型別，包括一對一、多對一和多對多，滿足了複雜資料關係的處理需求。然而，處理大規模資料集時，效能瓶頸仍是一項挑戰，需要考量資料量與合併方式的平衡。
深入探討 pd.merge 的引數設定，left_on、right_on 和 on 等關鍵字的使用，以及 how 引數控制的合併型別選擇，都體現了 Pandas 在資料合併方面的精細化控制能力。這些引數的靈活運用，能有效解決資料欄位名稱不一致或缺失等實際問題，提升資料處理效率。但同時，也需要使用者對不同引數的含義和作用有清晰的理解，才能避免誤用。
展望未來，隨著資料分析需求的日益增長，Pandas 的資料合併功能勢必將持續最佳化，例如效能提升、更多合併策略的支援等。同時，與分散式計算框架的整合也將成為一個重要的發展方向，以應對更大規模資料集的處理挑戰。對於資料分析師而言，深入理解和熟練運用 Pandas 的資料合併功能，將是提升資料處理能力和分析效率的關鍵。玄貓認為，持續關注 Pandas 的版本更新和社群動態，並積極探索新的應用場景，將有助於資料分析師保持技術優勢，更好地應對未來的資料挑戰。
