转载请注明出处：https://www.cnblogs.com/oceanicstar/p/10900332.html
append方法可以很方便地拼接两个DataFrame
df1.append(df2) > A B > 1 A1 B1 > 2 A2 B2 > 3 A3 B3 > 4 A4 B4
但数据量大时生成DataFrame，应避免使用append方法
因为：
与python列表中的append和extend方法不同的是pandas的append方法不会改变原来的对象，而是创建一个新的对象。当然，这样的话会使效率变低而且会占用更多内存，所以如果你有很多数据需要append，建议使用列表，然后传给DataFrame。
建议直接用空列表依次装好各列的数据，再统一生成总的dataframe表，如下例所示。
import pandas as pd import numpy as np from datetime import datetime # 模拟生成较大批次量的数据 df_list = [pd.DataFrame({ 'a': [np.random.rand() for _ in range(20000)], 'b': [np.random.rand() for _ in range(20000)] }) for i in range(800)] # %% 第一种方式（运行时间最长——1分钟，内存占用一般） start1 = datetime.now() res1 = pd.DataFrame() for df in df_list: res1 = res1.append(df) print('append耗时：%s秒' % (datetime.now() - start1)) # %% 第二种方式（运行时间相对第一种少一些——46秒，但内存接近溢出） start2 = datetime.now() dict_list = [df.to_dict() for df in df_list] combine_dict = {} i = 0 for dic in dict_list: length = len(list(dic.values())[0]) for idx in range(length): combine_dict[i] = {k: dic[k][idx] for k in dic.keys()} i += 1 res2 = pd.DataFrame.from_dict(combine_dict, 'index') print('dict合并方式耗时：%s秒' % (datetime.now() - start2)) # %% 第三种方式：list装好所有值（运行时间最短——4秒多，内存占用低） start3 = datetime.now() columns = ['a', 'b'] a_list = [] b_list = [] for df in df_list: a_list.extend(df['a']) b_list.extend(df['b']) res3 = pd.DataFrame({'a': a_list, 'b': b_list}) print('list装好所有值方式耗时：%s秒' % (datetime.now() - start3))