1. pd.concat
- pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
keys=None, levels=None, names=None, verify_integrity=False, sort=None, copy=True)
obj : 参与合并的对象，如：[df1, df2]
axis : 合并方向
join : 合并方式，outer 为外链接，取交集
join_axes : 设置需要显示的列名
ignore_index: 是否忽略原来DataFrame/Series 对象的索引，重新排列
keys: 为数据源设置多级索引标签
levels :如果设置keys的话, 指定用作层次化索引各级别（内层索引）上的索引
names:用于创建分层级别的名称，如果设置keys或levels的话
verify_integrity: 检查是否出现重复索引，引发异常
2.pd.merge
数据连接的方式
- 一对一连接
df1, df2的共同列（参与合并的键）无重复
- 一对一连接
- 多对一连接
df1, df2的共同列在df1中有重复，在df2中无重复
- 多对一连接
- 多对多连接
df1, df2的共同列在两者中都有重复
- 多对多连接
- pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)
left：参与合并的左侧DataFrame
right：参与合并的右侧DataFrame
how：连接方式：‘inner’（默认，交集）；还有，‘outer’、‘left’、‘right’
on：用于连接的列名，必须同时存在于左右两个DataFrame对象中，如果位指定，则以left和right列名的交集作为连接键
left_on：左侧DataFarme中用作连接键的列
right_on：右侧DataFarme中用作连接键的列
left_index：将左侧的行索引用作其连接键
right_index： 将右侧的行索引用作其连接键
sort：根据连接键对合并后的数据进行排序，默认为True。有时在处理大数据集时，禁用该选项可获得更好的性能
suffixes：字符串值元组，用于追加到重叠列名的末尾，默认为（‘_x’,‘_y’）.例如，左右两个DataFrame对象都有‘data’，则结果中就会出现‘data_x’，‘data_y’
copy：设置为False，可以在某些特殊情况下避免将数据复制到结果数据结构中。默认总是赋值
3. pd.groupby
- groupby(*args, **kwargs)
用法入门比较简单, 前人的博客写的蛮详尽了
Pandas详解十五之利用GroupBy技术进行分组
补充几点：
1. 可以使用字典或Series将索引映射到分组名称
2.也可以将任意python函数传入groupby，函数映射到索引
3.任意之前有效的键都可以组合起来分组，从而返回一个多级索引的分组结果
4. pd.pivot_table
- DataFrame.pivot_table(data, values=None, index=None, columns=None,
aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All')
data: 用于制作数据透视表的 DataFrame的某列数据，输入列名即可
index： 行分组标签
columns: 列分组标签
aggfunc: 汇总计算方法,默认为(mean) 可以用字典为不同的列指定不同的累计函数，此时data可以缺失
fill_value：填充缺失值
dropna: 剔除缺失值
margins: 是否对边际进行aggfunc汇总
margins_name: 边际行/列的名称
