6-1 merge的交叉配对

6-1 merge：按键交叉配对

本节摘要：merge按一个或多个键把两张表横向拼接，how参数决定对不上的行的去留，indicator标注每行的来源，validate预防多对多膨胀。本节的核心观点：how不是技术选项，是业务口径。

归并室的第一台器械。订单表想带上会员等级，就像把两本病历按身份证号订在一起：号对上了，两本的内容都归这一行。

最小可用配对

import pandas as pd

orders = pd.DataFrame({
    '单号': ['T01', 'T02', 'T03', 'T04'],
    '会员号': ['M23', 'M08', 'M23', 'M99'],   # M99查无此人
    '金额': [1280, 960, 1732, 880],
})
members = pd.DataFrame({
    '会员号': ['M08', 'M23', 'M31'],          # M31从没下过单
    '等级': ['金卡', '银卡', '铜卡'],
})

merged = orders.merge(members, on='会员号', how='inner')
print(merged)
#    单号   会员号    金额   等级
# 0  T01   M23   1280   银卡
# 1  T03   M23   1732   银卡
# 2  T02   M08    960   金卡
​

inner把两头都对不上的行全丢了：T04（脏键）和M31（沉睡会员）同时消失。这正是默认参数的危险——你什么都没感觉到，数据已经少了。

四种口径，四份报告

# left：保订单视角，查无此人的交易保留，等级为NaN
print(orders.merge(members, on='会员号', how='left'))
#    单号  会员号   金额   等级
# 0  T01   M23  1280   银卡
# 1  T02   M08   960   金卡
# 2  T03   M23  1732   银卡
# 3  T04   M99   880    NaN   ← 脏键现形

# outer：全量表，两头都保，两边都缺的补NaN
both = orders.merge(members, on='会员号', how='outer', indicator=True)
print(both)
#    单号   会员号    金额   等级     _merge
# 0  T01   M23  1280.0   银卡      both
# 1  T03   M23  1732.0   银卡      both
# 2  T02   M08   960.0   金卡      both
# 3  T04   M99   880.0    NaN   left_only   ← 只在订单侧
# 4  NaN   M31     NaN   铜卡  right_only   ← 只在会员侧
​

indicator=True给每行挂来源标：both两边都有、left_only只有左表。归并后先看_merge的分布再下结论，是这章最重要的习惯——脏键、沉睡会员，一眼现形。

💡 关键直觉：left是分析主口径（以事实表订单为准），outer是盘点口径（全面清点），inner只该在有意识地"只看交集"时用。永远用默认inner又不看行数的人，迟早交出一份少了三成数据的报告。

多键、键名不同、膨胀预防

# 键名不同：left_on与right_on分别指定
a = pd.DataFrame({'店号': ['A', 'B'], '城市': ['北京', '上海']})
b = pd.DataFrame({'code': ['A', 'B'], '面积': [120, 200]})
print(a.merge(b, left_on='店号', right_on='code'))
#   店号 城市 code  面积
# 0   A 北京    A   120
# 1   B 上海    B   200

# 多键：门店加月份联合配对
# orders.merge(daily, on=['门店', '月份'])

# validate：连接前声明预期关系，违规直接抛错
try:
    orders.merge(members, on='会员号', validate='one_to_one')
except pd.errors.MergeError as e:
    print('拦截：', e)
# 拦截： Merge keys are not unique in left dataset; not a one-to-one
​

多对多连接是行数暴涨的第一来源：左表两行M23配右表（若有重复）两行M23，出来四行。validate写上预期的m:1或1:1，让机器替你守门。

四种口径的去留图

merge四种how的行取舍

本节要点回顾

• on指定配对键，键名不同用left_on与right_on，多键传列表
• suffixes参数管重名列的后缀，冲突列名提前规划能省后续rename
• 四种口径：inner交集、left保左、right保右、outer全量，选哪个是业务决定
• indicator标来源，left_only/right_only暴露脏键与孤立记录
• validate守门，把多对多膨胀拦在连接之前
• 归并后核对行数：涨了跌了都要能解释

追问：归并后行数对账表

把merge的质量控制固化成习惯：任何一次归并，前后行数都要能讲出道理。三个数字必看——左表行数、右表行数、结果行数。inner结果应小于等于左表（有脏键会更少）；left结果等于左表（除非右表键重复引发膨胀）；outer结果大于等于两表较大者。一次实战演算：

print('左表：', len(orders), '右表：', len(members))
inner = orders.merge(members, on='会员号', how='inner')
left = orders.merge(members, on='会员号', how='left')
print('inner：', len(inner), 'left：', len(left))
# 左表： 4 右表： 3
# inner： 3 left： 4
# 差的那1条就是脏键M99——inner静默吞掉了它
​

行数对不上预期时的排查顺序：先看_merge分布定位哪侧缺，再回第04章检查键的规范化（空格、大小写、全半角），最后才考虑业务上的真孤儿记录。三个数字、两分钟，避免"报告少了三成数据没人发现"的经典事故。

下一节讲第二台器械：concat的纵向堆叠。