本文介绍如何在 Pandas 中对两组带编号集合的姓名（name_b/number_b 与 name_s/number_s）进行跨表匹配，通过 explode() 展开集合、merge() 关联数字键，高效生成所有可能的配对结果。
本文介绍如何在 pandas 中对两组带编号集合的姓名（`name_b`/`number_b` 与 `name_s`/`number_s`）进行跨表匹配，通过 `explode()` 展开集合、`merge()` 关联数字键，高效生成所有可能的配对结果。
在实际数据清洗与实体对齐任务中，常遇到类似场景：一个数据源中每条记录包含一个主体名称（如 name_b）及其关联的编号集合（如 {1, 2, 3}），另一数据源则提供候选匹配名称（name_s）及对应编号集合（number_s）。目标并非全集匹配，而是找出所有「编号重叠」驱动的姓名组合——即只要某个数字同时出现在 number_b 和 number_s 中，就构成一条有效匹配记录。
核心思路是将“集合→行”的结构转换为“一对一”关系，再以数字为桥梁进行合并。Pandas 的 explode() 方法正是为此而生：它能将包含可迭代对象（如 set、list、tuple）的列逐元素展开为多行，完美适配此类嵌套结构。
以下为完整实现步骤（假设原始 DataFrame 名为 df，且 number_b / number_s 列存储的是 Python set 对象）：
import pandas as pd
# 步骤1：处理 name_b 侧 → 提取 Entity、name_b，并展开 number_b
df_b = (
df[["Entity", "name_b", "number_b"]]
.explode("number_b") # 将每个 set 展开为独立行
.dropna(subset=["number_b"]) # 过滤 number_b 为空或 NaN 的行
.rename(columns={"number_b": "number"})
)
# 步骤2：处理 name_s 侧 → 仅需 name_s 和 number_s，同样 explode
df_s = (
df[["name_s", "number_s"]]
.explode("number_s")
.dropna(subset=["number_s"])
.rename(columns={"number_s": "number"})
)
# 步骤3：以 'number' 为键进行外连接（保留所有编号组合，含无匹配项）
result = pd.merge(df_b, df_s, on="number", how="outer")
# 可选：按 Entity 和 number 排序，提升可读性
result = result.sort_values(["Entity", "number"]).reset_index(drop=True)运行后将得到符合预期的宽匹配表——每行代表一个由共享数字支撑的 (name_b, name_s) 配对。例如 Zyla 与 Zeela 因共享数字 1、2、3 而分别生成三条记录；GCP Zyla 因 number_b={4,7} 在 number_s 中无对应值，故 name_s 显示为 NaN（即输出中的 -）。
⚠️ 关键注意事项：
- 数据类型一致性：确保 number_b 和 number_s 列确为 set（或 list/tuple），若为字符串（如 "{1, 2, 3}"），需先用 ast.literal_eval 解析；
- 空值处理：explode() 对 None 或空集合返回 NaN 行，务必用 dropna(subset=[...]) 清理，避免无效匹配；
- 性能提示：若集合极大（如单个 set 含数千元素），explode() 可能显著增加内存占用，建议提前评估基数或分块处理；
- 匹配语义：当前为“任意数字交集即匹配”，如需“全部数字一致”或“最小交集阈值”，需改用自定义函数 + apply()，而非 merge。
该方法简洁、向量化、易扩展，是 Pandas 处理集合型关联问题的标准范式。掌握 explode + merge 组合技，可快速应对命名标准化、ID 映射、多标签对齐等典型数据工程挑战。
