本文介绍一种高效、可靠的方法：通过正则提取子字符串构建临时键，再执行左连接，从而将 name 列（如 "dale"）与包含该名称的 id 字符串（如 "dale-999999"）精准关联。
在实际数据处理中，常遇到「一端为完整标识符、另一端仅为其中一部分」的关联需求——例如 a["Name"] 是人名（"Dale"），而 b["ID"] 是带后缀的复合 ID（"Dale-999999"）。此时无法直接使用等值连接（merge），需借助字符串匹配逻辑构建映射关系。
核心思路是：先从 b["ID"] 中提取出与 a["Name"] 完全一致的子串，生成临时键 _name；再以此键与 a["Name"] 执行左连接（how='left'）。这既满足“每个 b["ID"] 最多匹配一个 a["Name"]”的约束，也支持“一个 a["Name"] 对应多个 b["ID"]”的业务场景（如 "Bill" 匹配 "Bill-000" 和 "Bill-001"）。
具体实现如下：
import pandas as pd
a = pd.DataFrame({"Name": ["Boomhaur", "Dale", "Bill", "Hank"]})
b = pd.DataFrame({"ID": ["Boomhaur-2345", "Dale-999999", "Bill-000", "Bill-001", "Peggy-420"]})
# 构建正则模式：(Boomhaur|Dale|Bill|Hank) → 确保精确单词匹配，避免 "Bill" 匹配 "Billy"
pat = r'(' + '|'.join(a['Name'].str.replace(r'[^ws]', r'\', regex=True)) + r')'
b['_name'] = b["ID"].str.extract(pat)
# 执行左连接：以 a["Name"] 为左键，b["_name"] 为右键
result = a.merge(b, how='left', left_on='Name', right_on='_name')
# 清理临时列（可选）
result = result.drop(columns=['_name']).reset_index(drop=True)
print(result)输出结果为：
Name ID 0 Boomhaur Boomhaur-2345 1 Dale Dale-999999 2 Bill Bill-000 3 Bill Bill-001 4 Hank NaN
⚠️ 注意事项：
- 正则中的 （词边界）至关重要，可防止误匹配（如 "Bill" 不会错误匹配 "Billy" 或 "ABill"）；
- 若 a["Name"] 中含正则元字符（如 +, *, (），务必用 str.replace(..., regex=True) 转义，否则引发 re.error；
- str.extract() 返回首个匹配项，符合“每个 ID 至多匹配一个 Name”的前提；
- 若需保留 b 中未匹配的行，应改用 how='right' 或外连接，但本例明确要求以 a 为主表，故使用 how='left'。
该方法简洁、可读性强，且完全基于 Pandas 原生向量化操作，无需循环或 apply，性能优异，适用于中大型数据集。
