1.函数

df.join(other, on=None, how='left', lsuffix='', rsuffix='', sort=False)#在索引上的合并连接
# 在索引或键上使用其他df连接列；将不同索引列组合

df.join(right, on=key_or_keys)#完全等效于下面
pd.merge(left, right, left_on=key_or_keys, right_index=True,how='left', sort=False)
2.参数

other：DataFrame，Series或s,df列表; 系列必须设置其name属性
on：name，tuple / names of list或array-like列或索引名称
how ='left': {'left', 'right', 'outer', 'inner'}如何处理这两个对象的操作
    * left：用调用帧df的索引
    *right：用other索引
    * outer：df，other索引并集
    * inner：df，other索引交集

lsuffix/rsuffix：str，左右数据重叠列使用的后缀
sort=False：True连接键按字典顺序排序

注意：
传递列表时不支持on，lsuffix和rsuffix选项
3.实例

# 实例1：重叠值列
# 必须在df1,df2有相同的列名如key，必须指定后缀lsuffix，rsuffix之一；必须df1的列数量>=df2

df1= pd.DataFrame({'key': ['K0', 'K1', 'K2'], 'A': ['A0', 'A1', 'A2']})
df2 = pd.DataFrame({'key': ['K0', 'K1'],'B': ['B0', 'B1']})
df1.join(df2, lsuffix='_df1', rsuffix='_df2')#使用索引连接

# df1             df2                result
   key  A         key   B            key_df1    A      key_df2     B
0  K0  A0      0  K0  B0      0           K0    A0          K0    B0
1  K1  A1      1  K1  B1      1           K1    A1          K1    B1
2  K2  A2                     2           K2    A2         NaN   NaN

============================================================
# 实例2.1：df1=索引，df2=索引

df1= pd.DataFrame({'key1': ['K0', 'K1', 'K2'], 'A': ['A0', 'A1', 'A2']})
df2 = pd.DataFrame({'key2': ['K0', 'K1'],'B': ['B0', 'B1']})
df1.set_index('key1').join(df2.set_index('key2'))#用列名连接，将列名:转换为索引

      A    B
key1
K0   A0   B0
K1   A1   B1
K2   A2  NaN

df2.set_index('key2').join(df1.set_index('key1'))

      B   A
key2
K0   B0  A0
K1   B1  A1

# 实例2.2：df1=列名； df2=索引名(总是，不能为列)
# join总是使用df2索引，调用者df1可用中任何列。在结果中保留原始调用者的索引

df1= pd.DataFrame({'key1': ['K0', 'K1', 'K2'], 'A': ['A0', 'A1', 'A2']})
df2 = pd.DataFrame({'key2': ['K0', 'K1'],'B': ['B0', 'B1']})
df1.join(df2.set_index('key2'), on='key1')

key1   A    B
0  K0  A0   B0
1  K1  A1   B1
2  K2  A2  NaN

df2.join(df1.set_index('key1'), on='key2')

key2   B   A
0  K0  B0  A0
1  K1  B1  A1

============================================================
# 实例2.3：left=单个索引,right=多索引; 单个索引连接到多索引

left = pd.DataFrame({'A': ['A0', 'A1', 'A2'],'B': ['B0', 'B1', 'B2']},
                    index=pd.Index(['K0', 'K1', 'K2'], name='key'))
index = pd.MultiIndex.from_tuples([('K0', 'Y0'), ('K1', 'Y1'),('K2', 'Y2'), ('K2', 'Y3')],names=['key', 'Y'])
right = pd.DataFrame({'C': ['C0', 'C1', 'C2', 'C3'], 'D': ['D0', 'D1', 'D2', 'D3']},index=index)

result = left.join(right, how='inner')


# left                right                 result
      A   B               C   D               A   B   C   D
key              key Y               key Y
K0   A0  B0      K0  Y0  C0  D0      K0  Y0  A0  B0  C0  D0
K1   A1  B1      K1  Y1  C1  D1      K1  Y1  A1  B1  C1  D1
K2   A2  B2      K2  Y2  C2  D2      K2  Y2  A2  B2  C2  D2
                     Y3  C3  D3          Y3  A2  B2  C3  D3

============================================================
# 实例2.4：left=多列,right=多索引; 要连接多个键，传递的DataFrame必须具有MultiIndex：

left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'], 'key2': ['K0', 'K1', 'K0', 'K1'],
                                  'A': ['A0', 'A1', 'A2', 'A3'],'B': ['B0', 'B1', 'B2', 'B3']})
index = pd.MultiIndex.from_tuples([('K0', 'K0'), ('K1', 'K0'), ('K2', 'K0'), ('K2', 'K1')])
right = pd.DataFrame({'C': ['C0', 'C1', 'C2', 'C3'], 'D': ['D0', 'D1', 'D2', 'D3']}, index=index)

result = left.join(right, on=['key1', 'key2'])#等价下面


# left                       right                     result
  key1 key2   A   B              C   D          A   B key1 key2    C    D
0   K0   K0  A0  B0      K0 K0  C0  D0      0  A0  B0   K0   K0   C0   D0
1   K0   K1  A1  B1      K1 K0  C1  D1      1  A1  B1   K0   K1  NaN  NaN
2   K1   K0  A2  B2      K2 K0  C2  D2      2  A2  B2   K1   K0   C1   D1
3   K2   K1  A3  B3         K1  C3  D3      3  A3  B3   K2   K1   C3   D3

result = left.join(right, on=['key1', 'key2'], how='inner')#等价下面


# left                   right                      result
  key1 key2   A   B              C   D         A   B key1 key2   C   D
0   K0   K0  A0  B0      K0 K0  C0  D0      0  A0  B0   K0   K0  C0  D0
1   K0   K1  A1  B1      K1 K0  C1  D1      2  A2  B2   K1   K0  C1  D1
2   K1   K0  A2  B2      K2 K0  C2  D2      3  A3  B3   K2   K1  C3  D3
3   K2   K1  A3  B3         K1  C3  D3

============================================================
# 实例3：how连接方式

left = pd.DataFrame({'A': [ 'A1', 'A2'],  'B': [ 'B1', 'B2']}, index=['K1', 'K2'])
right = pd.DataFrame({'C': [ 'C2', 'C3'], 'D': [ 'D2', 'D3']}, index=['K2', 'K3'])

result1 = left.join(right)
result2=left.join(right, how='outer')
result3=left.join(right, how='inner')

# left               #result1:how=left
                     A   B     C     D
    A    B       K1  A1  B1    NaN NaN
K1  A1  B1       K2  A2  B2    C2   D2
K2  A2  B2     #result2:how='outer'
                     A    B     C    D
right            K1  A1   B1  NaN  NaN
                 K2  A2   B2   C2   D2
    C    D       K3  NaN  NaN  C3   D3
K2  C2  D2      #result3: how='inner'
K3  C3  D3           A    B          D
                 K2  A2   B2   C2   D2

============================================================

# 实例4：连接多个DataFrame

# DataFrames传递列表或元组，join() 在它们的索引上将它们连接在一起
left = pd.DataFrame({'k': ['K0', 'K1', 'K2'], 'v': [1, 2, 3]})
right = pd.DataFrame({'k': ['K0', 'K0', 'K3'], 'v': [4, 5, 6]})
left = left.set_index('k')
right = right.set_index('k')
right2 = pd.DataFrame({'v': [7, 8, 9]}, index=['K1', 'K1', 'K2'])

result = left.join([right, right2])

# left       right        right2           v_x  v_y    v
    v            v            v        K0    1  4.0  NaN
k             k           K1  7        K0    1  5.0  NaN
K0  1        K0  4        K1  8        K1    2  NaN  7.0
K1  2        K0  5        K2  9        K1    2  NaN  8.0
K2  3        K3  6                     K2    3  NaN  9.0
============================================================

---------------------
转载，仅作分享，侵删
作者：tcy23456
原文：https://blog.csdn.net/tcy23456/article/details/85538951

奈斯

奈斯，加油