pandas 에서 테이블을 합치는 두 가지 방법: concat과 merge

 

python에서 여러 테이블을 처리할 때 서로 다른 테이블을 붙이거나 관계형으로 이어서 활용할 경우가 왕왕 있습니다.

이 때 concat, merge를 주로 활용하는데 저처럼 마구잡이로 배운사람은 헷갈리는 경우가 많아서 도움이 되었으면 하는 마음에 주요 기능을 정리합니다.

 

concat은 좀 더 붙이는 기능 위주고 merge는 관계형 데이터, sql을 하는 것과 비슷하다고 생각하면 헷갈릴 일이 적을듯합니다.

 

선요약

 

🔥 concat() vs merge() 비교 정리

비교 항목	concat	merge
주요 기능	여러 DataFrame을 단순히 이어붙임	공통된 컬럼(키)을 기준으로 병합
유사한 SQL 연산	UNION (행 추가)	JOIN (INNER, OUTER, LEFT, RIGHT)
병합 기준	컬럼이 같아야 정렬됨 (없으면 NaN 처리)	공통된 키(Column) 값 기준으로 병합
인덱스 활용	ignore_index=True로 리셋 가능	left_index=True, right_index=True 가능
열(Column) 다를 때	자동으로 NaN 채움	join="inner"로 공통 컬럼만 선택 가능
컬럼명이 다를 때	자동 NaN 처리 (axis=1로 해결)	left_on, right_on 옵션 필요

 

---

 

 

 

📌 pandas.concat 기본 원칙

pandas.concat()은 여러 개의 DataFrame이나 Series를 하나로 합칠 때 사용됩니다. 주로 다음과 같은 원칙을 따릅니다.

1. 기본적으로 인덱스를 유지
   • concat()은 별도로 설정하지 않으면 기존 인덱스를 그대로 유지합니다.
   • 새로운 인덱스를 만들려면 ignore_index=True를 사용합니다.
2. 축(Axis) 방향 설정 가능
   • axis=0 (기본값, 세로 방향): 행(row) 단위로 합침 → 데이터가 아래로 추가됨
   • axis=1 (가로 방향): 열(column) 단위로 합침 → 데이터가 옆으로 확장됨
3. 공통 컬럼이 없을 경우 NaN 처리
   • 컬럼(열)이 다르면 자동으로 NaN을 채워 넣습니다.
   • join="inner" 옵션을 사용하면 공통 컬럼만 유지할 수 있습니다.

 

 

🛠 사용 예시

1️⃣ 세로 방향(axis=0) 기본 연결

두 개의 데이터프레임을 행(row) 기준으로 합치기

 

import pandas as pd

df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df2 = pd.DataFrame({'A': [5, 6], 'B': [7, 8]})

result = pd.concat([df1, df2])  # 기본 옵션 (axis=0)
print(result)

 

결과

   A  B
0  1  3
1  2  4
0  5  7
1  6  8

 

 

➡ 기존 인덱스 유지 (동일한 숫자 인덱스 발생)

🎯 해결법: ignore_index=True 추가

 

result = pd.concat([df1, df2], ignore_index=True)
print(result)

 

   A  B
0  1  3
1  2  4
2  5  7
3  6  8

 

 

➡ 인덱스가 새롭게 리셋됨

---

2️⃣ 가로 방향(axis=1) 연결

같은 길이의 데이터프레임을 옆으로 확장

 

 

 

df1 = pd.DataFrame({'A': [1, 2]})
df2 = pd.DataFrame({'B': [3, 4]})

result = pd.concat([df1, df2], axis=1)
print(result)



#결과

   A  B
0  1  3
1  2  4

 

 

➡ 새로운 열이 추가됨

---

3️⃣ 컬럼이 다를 때 (NaN 처리)

컬럼이 다를 경우 NaN이 채워짐

 

 

 

 

df1 = pd.DataFrame({'A': [1, 2]})
df2 = pd.DataFrame({'B': [3, 4]})

result = pd.concat([df1, df2])
print(result)


결과
     A    B
0  1.0  NaN
1  2.0  NaN
0  NaN  3.0
1  NaN  4.0

 

➡ 공통 컬럼이 없으므로 NaN 발생

🎯 해결법: axis=1로 병합하면 문제 해결

 

 

result = pd.concat([df1, df2], axis=1)
print(result)


결과

   A  B
0  1  3
1  2  4

 

 

 

➡ 컬럼을 유지하면서 연결됨

---

4️⃣ 공통 컬럼만 유지 (join='inner')

join="inner" 옵션을 사용하면 공통 컬럼만 유지 가능

 

 

 

df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df2 = pd.DataFrame({'B': [5, 6], 'C': [7, 8]})

result = pd.concat([df1, df2], join='inner', ignore_index=True)
print(result)



결과

   B
0  3
1  4
2  5
3  6

 

➡ 공통 컬럼 B만 남음

 

✅ pandas.concat() 요약 정리

 

axis=0	기본값, 세로 방향(행 추가)
axis=1	가로 방향(열 추가)
ignore_index=True	인덱스를 새롭게 리셋
join="inner"	공통 컬럼만 유지
join="outer"	기본값, 모든 컬럼 유지 (NaN 포함)

 

📌 핵심 포인트

• 같은 컬럼을 가진 데이터 합칠 땐 axis=0
• 다른 컬럼을 가진 데이터 합칠 땐 axis=1
• 인덱스 초기화하려면 ignore_index=True
• 공통 컬럼만 유지하려면 join="inner"

 

pandas.merge()는 데이터프레임을 공통된 열(또는 인덱스)을 기준으로 합치는 함수입니다.
데이터베이스의 JOIN(조인) 연산과 유사한 방식으로 동작합니다.

---

📌 merge() 기본 원칙

1️⃣ 공통된 컬럼(키, Key)을 기준으로 병합

• 두 데이터프레임에서 같은 값을 가진 행들만 합쳐집니다.
• on="컬럼명"을 지정해야 함. (생략하면 자동으로 같은 이름의 컬럼을 찾음)

2️⃣ 병합 방식 선택 가능 (how 옵션)

방식설명

inner	(기본값) 공통된 값이 있는 행만 병합 (교집합)
outer	모든 데이터를 포함 (합집합, 없는 값은 NaN)
left	왼쪽 데이터 기준으로 병합 (오른쪽에 없는 값은 NaN)
right	오른쪽 데이터 기준으로 병합 (왼쪽에 없는 값은 NaN)

3️⃣ 공통 컬럼 이름이 다를 경우 left_on, right_on 사용

• 서로 다른 이름의 컬럼을 기준으로 병합 가능

---

🛠 사용 예시

1️⃣ 기본적인 inner join (공통 컬럼 기준 병합)

 

 

import pandas as pd

df1 = pd.DataFrame({'ID': [1, 2, 3], 'Name': ['Alice', 'Bob', 'Charlie']})
df2 = pd.DataFrame({'ID': [2, 3, 4], 'Score': [90, 85, 70]})

result = pd.merge(df1, df2, on='ID')  # 기본값 how='inner'
print(result)



결과 (inner join이므로 공통된 ID만 병합)

   ID   Name  Score
0   2    Bob     90
1   3  Charlie     85

 

 

➡ ID=1, ID=4는 다른 데이터프레임에 없어서 제외됨

---

2️⃣ outer join (모든 데이터를 포함)

 

 

result = pd.merge(df1, df2, on='ID', how='outer')
print(result)



✅ 결과 (outer join: 없는 값은 NaN)

   ID   Name  Score
0   1  Alice    NaN
1   2    Bob   90.0
2   3  Charlie   85.0
3   4    NaN   70.0

 

 

➡ 모든 데이터를 유지하며, 없는 값은 NaN으로 표시

---

3️⃣ left join (왼쪽 데이터프레임 기준)

 

 

result = pd.merge(df1, df2, on='ID', how='left')
print(result)



결과 (left join: 왼쪽 데이터프레임 기준)


   ID   Name  Score
0   1  Alice    NaN
1   2    Bob   90.0
2   3  Charlie   85.0

 

 

➡ 왼쪽 데이터프레임(df1)의 모든 값을 유지하고, 없는 값은 NaN

---

4️⃣ right join (오른쪽 데이터프레임 기준)

 

 

result = pd.merge(df1, df2, on='ID', how='right')
print(result)


결과 (right join: 오른쪽 데이터프레임 기준)

   ID   Name  Score
0   2    Bob   90
1   3  Charlie   85
2   4    NaN   70

 

 

➡ 오른쪽 데이터프레임(df2)의 모든 값을 유지하고, 없는 값은 NaN

---

5️⃣ 컬럼명이 다를 때 left_on, right_on 사용

 

 

df1 = pd.DataFrame({'Emp_ID': [1, 2, 3], 'Name': ['Alice', 'Bob', 'Charlie']})
df2 = pd.DataFrame({'Worker_ID': [2, 3, 4], 'Score': [90, 85, 70]})

result = pd.merge(df1, df2, left_on='Emp_ID', right_on='Worker_ID', how='inner')
print(result)


 결과 (Emp_ID와 Worker_ID를 기준으로 병합)

   Emp_ID   Name  Worker_ID  Score
0       2    Bob         2     90
1       3  Charlie       3     85

 

 

 

➡ 컬럼명이 다르더라도 매칭 가능! (Emp_ID == Worker_ID)

---

6️⃣ 여러 개의 컬럼을 기준으로 병합

 

 

df1 = pd.DataFrame({'ID': [1, 2, 3], 'Subject': ['Math', 'Science', 'History'], 'Score1': [90, 85, 88]})
df2 = pd.DataFrame({'ID': [1, 2, 3], 'Subject': ['Math', 'Science', 'History'], 'Score2': [80, 95, 75]})

result = pd.merge(df1, df2, on=['ID', 'Subject'], how='inner')
print(result)


결과 (ID + Subject 두 개의 컬럼을 기준으로 병합)

   ID  Subject  Score1  Score2
0   1     Math      90      80
1   2  Science      85      95
2   3  History      88      75

 

 

 

➡ 두 개 이상의 컬럼을 동시에 키로 사용할 수도 있음

 

 

✅ pandas.merge() 요약 정리

 

on="컬럼명"	기준이 되는 컬럼 설정
how="inner"	기본값, 공통된 값이 있는 행만 유지
how="outer"	모든 행 포함, 없는 값은 NaN
how="left"	왼쪽 데이터프레임 기준으로 병합
how="right"	오른쪽 데이터프레임 기준으로 병합
left_on="컬럼명", right_on="컬럼명"	컬럼명이 다를 때 사용
on=["컬럼1", "컬럼2"]	여러 개의 컬럼을 기준으로 병합

---

📌 핵심 포인트

• merge()는 공통된 컬럼(키)을 기준으로 데이터 병합
• how 옵션으로 INNER, OUTER, LEFT, RIGHT JOIN 가능
• 컬럼 이름이 다르면 left_on, right_on 사용
• 여러 개의 컬럼을 동시에 병합 가능