pandas.merge()需明确指定on或left_on/right_on以避免静默错误；how参数可能导致行数膨胀；须统一键列数据类型并处理nan；慎用suffixes和索引合并。
用 pandas.merge() 合并数据时，看似简单，但容易因参数理解偏差或数据隐含特征导致结果出错、丢失行、重复行甚至内存暴涨。关键不是“能不能合并”，而是“是否合并得准确、可控、可复现”。
明确指定 on 或 left_on/right_on
不显式指定匹配列，依赖 suffixes 或默认交集列，极易出错。尤其当左右表有同名列但语义不同（如两个表都有 "id"，但一个是用户ID、一个是订单ID）时，merge 会静默按列名匹配，造成逻辑错误。
- 始终优先用
on=指定明确的关联键，例如on="user_id" - 若左右表键名不同，必须用
left_on="uid"和right_on="id"成对指定 - 避免依赖
pd.merge(df1, df2)的自动列交集推断——它不可读、难调试、易受后续列名变更影响
留意 how 参数的真实行为
how="inner" 不仅过滤掉任一表缺失的键，还会让原本在左表中重复的键，在右表中只要有一条匹配，就产生笛卡尔式膨胀。而 how="left" 虽保留左表全部行，但若右表存在多条匹配记录，同样会引发行数激增。
小麦企业网站展示系统介绍：一、安装使用将xiaomai.sql导入数据库二、后台登录后台帐号，密码默认都是admin,config.php 配置文件可根据自行需要修改，IP地址，数据库用户名，密码，及表名后台目录默认admin，支持自行任意修改目录名三、注意事项1 本源码完全免费，采用伪静态，减少不必要的源码重复，速度更快，支持二次开发。2、注明本程序编码为UTF8，如发生乱码，请注意修改编码3、
-
how="left"≠ “左表不变”：左表某行若在右表匹配到 3 行，结果就出现 3 行该左表数据 - 怀疑有 1:N 关系时，先用
df_right.groupby("key").size().max()检查右表最大重复数 - 若只需取第一条匹配，合并后加
.drop_duplicates(subset=["key"], keep="first")，或改用map()+fillna()更安全
检查并处理 数据类型与空值
相同含义的键，若左表是 int64、右表是 float64（含 NaN），或一个是字符串一个是数字，merge 会视作不匹配；更隐蔽的是 NaN 在 merge 中**永远不等于任何值（包括自身）**，导致本应匹配的空键全被丢弃。
立即学习“Python免费学习笔记（深入）”；
- 合并前统一键列类型：
df1["key"] = df1["key"].astype(str)或.astype("Int64")（支持 NaN 的整型） - 对可能含空值的键，考虑提前填充（如
df["key"].fillna(-1)）或用pd.merge(..., indicator=True)查看哪些行未匹配 - 用
df1["key"].equals(df2["key"])不能代替类型+空值检查，它本身就会因 dtype 不同直接返回False
谨慎使用 suffixes 和索引合并
当未指定 on 而使用索引合并（left_index=True, right_index=True），或列名冲突时依赖 suffixes=("_x", "_y")，会导致列名混乱、后续引用困难，且无法通过列名反推原始来源。
- 避免索引合并，除非你明确控制了左右表索引且索引就是业务主键
- 若必须用
suffixes，合并后立即重命名关键列，例如result = result.rename(columns={"amount_x": "order_amount", "amount_y": "user_credit"}) - 合并后检查
result.columns，确认无意外的_x/_y后缀残留，尤其在链式 merge 场景下
