📂 P17 【多表合体】Pandas：Merge 与 Concat（比 VLOOKUP 强百倍）
🎯 学习目标：
- 物理堆叠 (
concat)：学会把结构相同的多个表（如 12 个月的月报）纵向拼接。 - 逻辑关联 (
merge)：掌握数据库级别的表连接（类似 VLOOKUP/XLOOKUP，但更强大）。 - 连接方式：理解内连接（Inner）、左连接（Left）和全连接（Outer）的区别。
- AI 协作：利用通义灵码处理“列名不一致”时的自动关联。
🌟 引导词
“在 Excel 里，如果你要给 10 万行数据匹配产品单价，VLOOKUP 可能会让电脑卡死。如果你要合并 50 个分公司的表格，手动复制粘贴更是一场噩梦。
这一课，我们要学习 Pandas 的两项核心特技：concat（像搭积木一样上下或左右拼接）和merge（像拼图一样通过‘关键词’找关联）。掌握了它们，你就能在几秒钟内完成原本需要折腾一个下午的数据整合工作。**
一、concat：简单的物理拼接
如果你有三个月（1月、2月、3月）的销售表，格式一模一样，你想把它们合成一个“第一季度总表”，这就是concat的用武之地。
importpandasaspd df1=pd.read_excel("1月销售.xlsx")df2=pd.read_excel("2月销售.xlsx")df3=pd.read_excel("3月销售.xlsx")# 纵向拼接（默认 axis=0，即上下叠罗汉）# ignore_index=True 可以让行号重新排序quarter_df=pd.concat([df1,df2,df3],ignore_index=True)二、merge：逻辑关联（VLOOKUP 的终结者）
当你需要根据“产品ID”，把“销售表”和“产品价格表”关联起来时，就要用到merge。
1. 核心逻辑：四种连接方式
- Left Join (左连接)：保留左边表（如销售流水）的所有行，匹配右边表的信息。没匹配上的填空值。（最常用，类似 VLOOKUP）
- Inner Join (内连接)：只保留两个表里都能匹配上的行。
- Outer Join (全连接)：两个表的数据都留着，能配上的配对，不能配的留空。
2. 代码实战
# 假设 sales_df 有 '产品ID', '销量'# price_df 有 '产品ID', '单价'# 根据 '产品ID' 进行左连接result=pd.merge(sales_df,price_df,on='产品ID',how='left')# 如果两个表的关联列名不一样（比如一个叫‘ID’，一个叫‘编号’）result=pd.merge(sales_df,price_df,left_on='产品ID',right_on='编号',how='left')三、手把手 AI 实战：处理“不听话”的匹配
在多表合并时，列名对不上、数据类型不统一是最大的坑。
1. Ask 模式：智能生成合并脚本
- 操作：输入指令：
我有两个 df。A 表叫 df_user，有 'UserID'；B 表叫 df_order，有 'uid'。请帮我写一段 Pandas 代码把它们合并：1. 使用左连接；2. 合并后把 'UserID' 为空的行删掉。
- AI 价值：它会帮你处理
left_on和right_on的逻辑，并附带dropna清洗。
2. Edit 模式：自动批量合并
- 操作：选中你手动读取并拼接的代码。
- 动作：右键 ->通义灵码->智能编辑。
- 指令：
帮我修改这段代码，改用列表推导式和 os 库，自动读取当前文件夹下所有以“销售”开头的 Excel 文件并用 concat 合并。 - 效果：代码量缩减 80%，自动化程度翻倍。
3. Agent 模式：跨表核对差异
- 操作：输入
/agent。 - 指令：
我有两份员工名单。请帮我找出：1. 在 A 表里有但 B 表里没有的人；2. 两份表里都存在但‘工资’数据不一致的人。
🛠️ 课后练习
- 新建
P17_merge_test.py。 - 模拟实验：
- 创建两个简单的 CSV 文件：一个存“学生姓名和学号”，一个存“学号和考试成绩”。
- 用 Python 读取它们。
- 尝试用
merge把成绩匹配到姓名后面。 - 进阶挑战：故意在成绩表里少写几个人的成绩，观察
how='left'和how='inner'的结果有什么不同。
总结与预告
concat：解决“表太多”的问题（物理堆叠）。merge：解决“信息分散”的问题（逻辑关联）。- **
on/how**：是 merge 函数最重要的两个参数。
[下一篇 (P18)，我们将学习Pandas：文本处理与正则匹配的高级应用。你将学会如何从杂乱的地址、备注信息中，用一行代码提取出电话号码或身份证号！**
