Pandas с нуля. Часть 9: объединение таблиц — merge, join, concat

Это часть 9 из 10 курса «Pandas с нуля для аналитика».

В реальной работе данные почти никогда не лежат в одной таблице. Заказы в одной, пользователи в другой, товары в третьей. Чтобы ответить на вопрос «сколько в среднем тратят клиенты из Москвы», тебе нужно соединить эти таблицы по общему ключу. Сегодня разберём все способы это сделать в pandas — и, что важнее, научимся не наступать на грабли, на которых спотыкаются даже мидлы.

Что разберёшь в этом уроке

• Зачем вообще объединять таблицы
• merge и параметр how: четыре типа объединения
• Когда ключ называется по-разному: on, left_on, right_on
• suffixes: что делать с одинаковыми именами столбцов
• join: тот же merge, но по индексу
• concat: складываем таблицы стопкой
• merge vs join vs concat: как выбрать
• Грабли №1: fan-out (размножение строк) при связи 1:N
• Грабли №2: куда делись строки? indicator=True
• merge_asof: соединение по ближайшему времени
• Бонус: объединение работает и с данными из SQL

Частые вопросы

Чем merge отличается от concat в pandas?

merge объединяет таблицы по общим ключам (как SQL JOIN), сопоставляя строки по значению колонки. concat просто склеивает таблицы по строкам (axis=0) или колонкам (axis=1) без сопоставления ключей.

Какие типы join поддерживает merge и чем они отличаются?

Параметр how задаёт тип: 'inner' (только совпадения), 'left' (все строки левой таблицы), 'right' (все правой), 'outer' (объединение всех). Ключ задаётся через on='id' или left_on/right_on при разных именах колонок.

Когда использовать join вместо merge?

df.join() объединяет по индексу и удобен, когда ключ уже стоит индексом обеих таблиц: df1.join(df2). merge гибче — работает по любым колонкам через on, поэтому в большинстве задач берут именно merge.