该用 pd.concat() 时是单纯堆叠或并排拼接表而不需语义关联；它按 axis=0 纵向叠加行、axis=1 横向对齐索引拼列，不支持 on 参数，也不校验逻辑一致性。
![pandas怎么拼接两张表_concat([df1,df2], axis)纵向与横向拼接详解](https://img.php.cn/upload/article/000/969/633/177313393577566.png)
什么时候该用 pd.concat()，而不是 merge() 或 join()
当你只是想把表“摞起来”或“并排摆”，不关心逻辑关联（比如没有主键、没有语义匹配），就该用 pd.concat()。它不做任何键值对齐，只按轴堆叠——像把两叠纸直接粘成一叠，或并排放到一张大桌子上。
常见错误现象：pd.concat([df1, df2], on='id') 报错 TypeError: concat() got an unexpected keyword argument 'on' ——因为 concat() 根本不认 on 参数，那是 merge() 的专属。
- 纵向拼接（
axis=0）：适合合并结构相同、记录类型一致的多批数据，比如不同月份的销售流水 - 横向拼接（
axis=1）：适合把两个表按行索引对齐后“并列展示”，比如同一组用户的基础信息 + 行为统计指标 - 如果两张表索引不一致，
axis=1会自动用NaN填缺失位置；不加干预时默认join='outer'，即保留所有索引
axis=0 和 axis=1 的真实行为差异
axis=0 是按行堆叠，结果行数 = len(df1) + len(df2)；axis=1 是按列拼接，结果列数 = len(df1.columns) + len(df2.columns)，但行数取决于索引对齐方式。
容易踩的坑：pd.concat([df1, df2], axis=1) 看似简单，但如果 df1.index 和 df2.index 不完全重合，就会出现大量 NaN，且默认保留全部索引（join='outer'），可能让结果比预期宽得多、稀疏得多。
- 要严格只保留共有的索引行？加
join='inner' - 想重置最终索引避免重复编号？加
ignore_index=True（仅对axis=0有效） - 横向拼接时若列名冲突（如都有
'name'），concat()不会自动加后缀，而是直接报错ValueError: Columns overlap；此时需提前重命名列或改用merge()
列名重复、索引混乱、内存暴涨——三个高频实际问题
拼接不是“点一下就完事”，尤其在真实项目中，原始表往往没那么规整。
- 列名重复：用
pd.concat(..., keys=['left', 'right'])可生成多级列索引，避免冲突；或手动改列名：df2.columns = [f'new_{c}' for c in df2.columns] - 索引混乱：若原始表是读 Excel 得来的，默认索引是
0, 1, 2...，axis=0拼接后会出现重复索引；建议加ignore_index=True，否则后续.groupby()或.loc[]可能出错 - 内存暴涨：大表拼接时，
pd.concat()默认复制数据；若确定原表不再修改，可加copy=False（Pandas ≥ 2.0 支持，旧版无效）
和 merge() 混用的边界场景
有些需求表面像拼接，实则需要语义对齐——比如你有「学生名单」和「考试成绩」，都带 'student_id'，但你想把成绩“贴”到对应学生后面，而不是简单按顺序堆叠。这时 concat() 无能为力，必须用 merge()。
一个典型误用：pd.concat([students, scores], axis=1) 依赖两者索引顺序一致，一旦中间有人被删/排序变动，成绩就全错位了。而 pd.merge(students, scores, on='student_id') 才真正按逻辑关联。
- 判断依据很简单：是否需要“根据某个字段查匹配”？需要 → 用
merge()；不需要 → 用concat() - 横向拼接前先问一句：这两张表的第 0 行，是不是天然就该是一条记录的两部分？如果是，
concat(axis=1)合理；如果不是，大概率该用merge()
最常被忽略的一点：concat() 不校验数据一致性，它只管形状。哪怕 df1 有 1000 行、df2 有 500 行，axis=0 后就是 1500 行——至于这 1500 行有没有业务意义，它不管。
