一对一两个表之间的公共列是一对一的。这里的示例我们就不用图片了，直接使用代码来做展示，原因嘛就是小编懒的画了：
这里可以很直观的看到，这两个表的编号是公共列，并且唯一对应。如果我们要讲这两个表进行连接操作，需要使用 merge() 方法：
一对多两个表之间的公共列不是一对一的，而是其中一个表的公共列是唯一的，另一个表的公共列则会有重复的数据。
从上面这两个 df 中可以看到， df1 中的编号在 df3 中会对应多条数据，我们在对这两个 df 进行连接操作的时候，需要使用属性 on 指明判断的条件：
多对多两个表之间的公共列都是会有重复数据的，相当于是多个一对多。注意理解多个一对多，这里的逻辑稍微有点绕，小编在第一次接触 SQL 的时候实际上是无法理解的。我们这里新建一个 df4 ，新增一个编号为 100 的小黑，还是通过编号对 df4 和 df3 进行连接操作：
连接方式学过 SQL 的同学都知道， SQL 中连接分为内连接、左连接、右连接和外连接，同样在 Pandas 也是一样的。内连接内连接就是取两个表中公共的部分，我们重新创建一个 df5 ，在 df5 中只有编号 100 和 200 能和前面的数据保持一致：
左连接左连接就是已左表为基础，右表像左表上拼数据：
右连接右连接正好和上面的左连接相反，已右表为基础，左表往右表上拼数据：
纵向拼接顾名思义，纵向拼接就是在纵向上对两个表进行拼接，当然这需要两个表具有相同的结构，前面我们介绍的拼接方式都在横向上进行拼接。这里我们再加入一个 df6 ，使用 df5 和 df6 演示纵向拼接，在 Pandas 中使用纵向拼接使用的方法是 concat() ：
当我们使用 concat() 以后，发现索引还是保留了原有的索引，看着很不舒服，这时我们可以设置参数 ignore_index ，让其不在保留原有索引，而是生成新的索引：