一个常见的使用 pandas merge 两张表的场景如下：
表 a
idx key1 key2
0 1 1 1
1 2 3 2
2 3 4 4
3 5 5 5
4 7 6 7
表 b
id key2 key1
0 1 1 1
1 2 2 3
2 3 4 4
3 5 5 5
4 7 7 6
我们准备在 [key1, key2]上 merge 两张表
尽管表 a 和表 b 的 key1, key2 顺序不同，在普通 merge 时是不会出现问题的，指定on=[key1, key2]即可，表会分别去匹配两个键
a.merge(b, on=['key1', 'key2'], how='left') idx key1 key2 id 0 1 1 1 1 1 2 3 2 2 2 3 4 4 3 3 5 5 5 5 4 7 6 7 7 a.merge(b, on=['key2', 'key1'], how='left') idx key1 key2 id 0 1 1 1 1 1 2 3 2 2 2 3 4 4 3 3 5 5 5 5 4 7 6 7 7
但是如果是另一种 merge 场景：left表的列和right表的 index 合并，就会受到on=[]中键值顺序的影响
b = b.set_index(['key2', 'key1']) # 设置 b 表的 index 为要合并的列 a.merge(b, left_on=['key1', 'key2'], right_index=True, how='left') # 输出 idx key1 key2 id 0 1 1 1 1.0 1 2 3 2 NaN 2 3 4 4 3.0 3 5 5 5 5.0 4 7 6 7 NaN
可以看到left表按照left_on设置的键值顺序给出参与匹配的列，而right表是按照index顺序给出参与匹配的列，导致出现了没有匹配的情况
更换一下left_on的顺序，可以发现匹配就成功了
a.merge(b, left_on=['key2', 'key1'], right_index=True, how='left') idx key1 key2 id 0 1 1 1 1 1 2 3 2 2 2 3 4 4 3 3 5 5 5 5 4 7 6 7 7
可以理解为，在left_on和right_on分别指定的时候，指定的是left表和right表给出参与匹配的列的方式。其中right_index的设置就是right_on的一种特殊指定方式，表示right表给出tuple类型的index参与匹配，而tuple类型作为不可变类型，不具备按照指定列名重组顺序，再进行匹配的能力，而是以tuple整体给出
