Pandas 中的 merge() 方法无疑是数据科学家在数据科学项目中最常用的方法之一。

该方法源自 SQL 中的表连接概念，并扩展到了 pythonic 环境中的表连接，基于一个或多个列的匹配值将两个 Pandas 数据帧合并。

下图展示了这一过程：

连接表的图形概述（作者提供）

merge() 方法的直观性使其成为 Pandas 用户合并数据帧的理想选择。

然而，当涉及到运行时，Pandas 中有一个相对更好的替代方法，你应该优先使用该方法而不是 merge() 方法。

你可以在这里找到本文的代码。

让我们来探索一下 🚀！

合并表的方法

方法 1：使用 merge()

如上所述，Pandas 中合并数据帧的传统和最常见方法是使用 merge() 方法。

如上面的代码块所示，该方法接受两个数据帧 df1 和 df2。

进一步地，我们使用 how 参数指定要执行的连接类型（如上面的示例中的 "left"）。

最后，我们使用 left_on 参数指定要从第一个数据帧 df1 中匹配值的列，使用 right_on 参数指定要从第二个数据帧 df2 中匹配值的列。

join() 方法在 Pandas 中的目标与 merge() 方法类似，但在实现上有一些不同之处。

根据索引值连接表格（作者提供的图像）

下面的代码块演示了 join() 方法。

如上所述，join() 方法执行索引查找以连接两个数据帧。即，合并相应索引值的行。

因此，在使用 join() 方法时，你应该首先将要执行连接的列作为数据帧的索引，然后调用 join() 方法。

为了评估 Pandas 中 merge() 方法的运行时性能，我们将其与 join() 方法进行比较。

具体来说，我们将创建两个虚拟数据帧，并使用这两种方法——merge() 和 join()——执行连接。

该实验的实现如下：

首先，我们设置整数值从 (-high, +high) 开始。我们将根据 rows_list 中的行数和 n_columns 中的列数的不同大小来比较两种方法在不同大小的数据帧上的性能。最后，我们将每个实验运行 repeat 次。
create_df 方法接受一系列参数并返回一个随机数据帧。
在下面的代码中，我们测量了 merge() 方法和 join() 方法在相同的数据帧 df1 和 df2 上的运行时间。

请注意，要使用 `join()` 方法，你应该首先将列设置为数据帧的索引。

接下来，让我们来看一下结果。

Join 与 Merge 方法的实验结果（作者提供）

总之，在本文中，我们比较了 Pandas 的 merge() 和 join() 方法在虚拟数据帧上的性能。

实验结果表明，使用 join() 方法在索引列上合并数据帧在运行时间上比 merge() 方法更有效，可以提供 4 到 5 倍的性能提升。

你可以在这里找到本文的代码。感谢阅读！