在实际使用中，我们往往需要多张表一起连接才能使用，以下记录多表连接的方法：

一、学生表和分数表--自然连接

学生表和分数表建表如下（由于字数限制，我将脚本截图了）：

【脚本】

print( pd.merge(student,scores,left_on='ID',right_on='SID') )

【结果】

   ID name  gender  age height SID  CID  Score

0  01   张三    True  20    1.88  01 A01     56

1  01   张三    True  20    1.88  01 A02     78

【说明】

1、 以上两表中，如果关联列的列名一样，假设scores列的学生列标识也为“ID”，则可以省略left_on='ID',right_on='ID' , 变成 pd.merge(student,scores)。

2、 如果两表中除了连接列外，还有相同列，则用indicator(标识)=True解决

pd.merge(student,scores,left_on='ID',right_on='SID',indicator=True)

二、学生表和分数表--外连接

自然连接即是内连接，对于两表中都存在的记录才会选择至新表中，而对于只有一个表中存在的记录，则不会选择。为解决这一问题，使用how=’left’或how=’right’。

【脚本】

print( pd.merge(student,scores,how='left',left_on='ID',right_on='SID',indicator=True) )

【结果】

   ID name  gender  age height  SID  CID Score     _merge

0  01   张三    True  20    1.88   01 A01   56.0       both

1  01   张三    True  20    1.88   01 A02   78.0       both

……

11 07   刘九    True  19    1.71 NaN  NaN    NaN left_only

【说明】

1、结果多了一行，ID=07的记录被选择至新表中

2、怎样查出没有考试的学生，可以这样写：

frame =pd.merge(student,scores,how='left',left_on='ID',right_on='SID',indicator=True)
print( frame[pd.isna(frame['SID'])==True]['name'] )三、按照索引号连接

还有一种常用的连接，即用索引号连接。

【脚本】

scores.index=[0,0,1,2,2,2,3,3,4,5,5]
print(scores.join(student))
print(student.join(scores))

【结果】

SID  CID  Score ID name  gender  age height

0 01  A01     56 01   张三    True  20    1.88

……

5 06  B01     90 06   陈八   False  17    1.60

   IDname  gender  age height  SID  CID Score

0 01   张三    True  20    1.88   01 A01   56.0

……

5 06   陈八   False  17    1.60   06 B01   90.0

6  07   刘九    True  19    1.71  NaN NaN    NaN

【说明】

第一个Print以scores为主表，关联student表，没有ID=07的记录

第一个Print以studentscores为主表，关联scores表，有ID=07的记录

四、应用

结合分组和聚合计算，统计每个学生的平均分。

【脚本】

print(   frame['Score'].groupby(frame['name']).mean() )等价于print( (  frame.groupby(  frame['name']  )['Score']  ).mean()  )

【结果】

name

刘九    NaN

……

赵六   73.5

陈八   83.0

【说明】

注意第二种写法中，需要将frame.groupby(frame['name']) 用“()“括起来，原因后面的['Score']是前面整体结果的字段，而不是groupby()的字段。