本文介绍如何在 Pandas 中对两组含数字集合（如 {1, 2, 3}）的姓名字段（name_b 和 name_s）进行精确关联匹配，通过 explode() 展开集合并 merge() 对齐公共数字，生成完整的候选匹配结果表。
本文介绍如何在 pandas 中对两组含数字集合（如 `{1, 2, 3}`）的姓名字段（`name_b` 和 `name_s`）进行精确关联匹配，通过 `explode()` 展开集合并 `merge()` 对齐公共数字，生成完整的候选匹配结果表。
在实际数据清洗与实体对齐任务中，常遇到一类结构化但非标准的匹配需求：两个字段（如 name_b 和 name_s）各自关联一组编号（以 Python set、字符串或列表形式存储），需找出所有满足“编号交集非空”的 (name_b, name_s) 组合，并按每个共同编号展开为独立匹配行。这种场景常见于药品别名映射、设备型号-序列号关联、或跨系统人员标识对齐等任务。
Pandas 提供了高效且简洁的解决方案——核心在于 集合展开 + 基于数字键的外连接。下面以典型输入为例，逐步说明实现逻辑：
✅ 数据准备与前提假设
确保 number_b 和 number_s 列为真正的 Python set 对象（而非字符串 " {1, 2, 3}"）。若为字符串，需先转换：
import ast
# 若 number_b 是字符串（如 "{1, 2, 3}"），先安全解析为 set
df["number_b"] = df["number_b"].apply(lambda x: ast.literal_eval(x) if isinstance(x, str) and x.strip().startswith("{") else x)
df["number_s"] = df["number_s"].apply(lambda x: ast.literal_eval(x) if isinstance(x, str) and x.strip().startswith("{") else x)✅ 步骤一：分别展开两组数字集合
使用 .explode() 将每个 set 拆分为多行，每行对应一个数字元素：
df1 = (df[["Entity", "name_b", "number_b"]]
.explode("number_b")
.dropna(subset=["number_b"]) # 过滤 number_b 为空或 NaN 的行
.rename(columns={"number_b": "number"}))
df2 = (df[["name_s", "number_s"]]
.explode("number_s")
.dropna(subset=["number_s"])
.rename(columns={"number_s": "number"}))⚠️ 注意：.explode() 要求列中元素为可迭代对象（如 set, list, tuple）。若含 NaN 或标量值，需提前清理，否则会报错。
✅ 步骤二：基于数字键执行外连接（outer merge）
通过 number 列合并，保留所有数字组合（包括仅存在于 name_b 或仅存在于 name_s 的编号），从而完整覆盖匹配与未匹配情形：
result = pd.merge(df1, df2, on="number", how="outer", sort=False)
该操作天然支持“一对多”和“多对多”匹配：例如 Zyla 关联 {1,2,3}，Zeela 关联 {1,2,3}，则生成 9 行（3×3）；而 GCP Zyla 关联 {4,7} 但 name_s 中无对应编号，故 name_s 列填充为 NaN（显示为 - 可后续用 fillna("-") 处理）。
✅ 完整可运行示例
import pandas as pd
# 构造原始数据（注意：number_b/number_s 为 set）
df = pd.DataFrame({
"Entity": [1, 1, 1, 1, 1],
"name_b": ["Zyla", "Zyla 620", "Xyla 620", "GCP Zyla", "Zy"],
"number_b": [{1, 2, 3}, {1}, {2}, {4, 7}, {103}],
"name_s": ["Zeela", "Zylo", "Xylaa", "Ann Zyl", None],
"number_s": [{1, 2, 3}, {1}, {2}, {103}, None]
})
# 展开 + 合并
df1 = df[["Entity", "name_b", "number_b"]].explode("number_b").dropna(subset=["number_b"]).rename(columns={"number_b": "number"})
df2 = df[["name_s", "number_s"]].explode("number_s").dropna(subset=["number_s"]).rename(columns={"number_s": "number"})
out = pd.merge(df1, df2, on="number", how="outer").sort_values(["Entity", "number"]).reset_index(drop=True)
# 可选：将 NaN 替换为 '-' 以匹配预期输出格式
out["name_s"] = out["name_s"].fillna("-")
print(out[["Entity", "number", "name_b", "name_s"]])? 输出解读与注意事项
- 结果中每行代表一个“数字级匹配单元”，即 name_b 与 name_s 共享该 number；
- how="outer" 确保不丢失任何编号（如 4 和 7 仍保留在结果中，name_s 为 -）；
- 若需进一步筛选高置信匹配（如仅保留 name_b 与 name_s 均非空的行），可追加 .dropna(subset=["name_s"])；
- 性能提示：对超大数据集，建议先对 number 列做 astype("category") 或预过滤高频数字，避免笛卡尔爆炸。
掌握这一模式，即可灵活应对各类“标签-编号”双维度对齐问题，无需循环或复杂正则，真正实现向量化、可扩展的实体匹配流水线。
