axis=0纵向堆叠得Series，索引拼接、值连缀；axis=1横向拼接得DataFrame，索引对齐填NaN，无法返回Series。

concat两个Series时axis=0和axis=1的区别

默认情况下pandas.concat把Series当列处理，但Series本身是一维结构，axis=0是纵向堆叠（按索引对齐后追加），axis=1才是横向拼接成DataFrame——这不是“合并两个Series”，而是把它们变成两列的表。

• axis=0：结果仍是Series，索引会拼接（可能重复），值直接连起来；适合合并同类指标不同批次的数据
• axis=1：结果是DataFrame，原Series变成两列，索引自动对齐；若索引不一致，缺失位置填NaN
• 别指望axis=1返回Series——Pandas没这个设计，强行用会得到单列DataFrame，不是你想要的“合并”

索引不一致导致拼接后出现大量NaN

用axis=1拼两个长度相同但索引不同的Series，比如一个是pd.Series([1,2], index=['a','b'])，另一个是pd.Series([3,4], index=['x','y'])，结果DataFrame里全是NaN——因为Pandas按索引对齐，没匹配上的位置就补空。

• 解决办法一：拼之前统一索引，比如都设成range(len(s))
• 解决办法二：用ignore_index=True（仅对axis=0有效），丢掉原索引重排
• 解决办法三：明确要对齐逻辑，用join='inner'或join='outer'控制对齐方式，默认是'outer'

想拼成一个Series但值顺序乱了

直接pd.concat([s1, s2], axis=0)看似简单，但若s1和s2索引有重叠（比如都是[0,1]），结果里索引会重复，后续取值、计算容易出错。

• 检查索引是否唯一：s1.index.equals(s2.index)或s1.index.is_unique
• 安全做法：加ignore_index=True，生成连续整数索引
• 如果需要保留原始顺序但不要重复索引，用pd.concat([s1, s2], axis=0, ignore_index=True)最省心
• 注意：ignore_index=True会丢失索引语义，比如时间序列的日期信息就没了

concat比+或append快还是慢？

Series.append()在Pandas 2.0已弃用，官方只推concat；而+是元素级加法，不是拼接——它要求索引完全一致，且做的是数值相加，不是连接。

• +：索引对齐后逐元素相加，s1 + s2 ≠ 拼接
• append()：旧版可用，但内部也是调concat，多一层封装，无优势
• concat：底层优化过，批量拼多个Series时明显更快，尤其配合ignore_index=True
• 小数据量差别不大，但写脚本时别用append，避免升级报错

索引对齐是concat的默认行为，不是bug，但恰恰是多数人踩坑的起点——它不声不响就按索引配对，而不是按位置。想绕过，就得主动干预ignore_index或join参数。