本文介绍如何利用 Pandas 的 explode() 与 merge() 实现两组姓名（name_b/name_s）按其关联数字集合（number_b/number_s）进行笛卡尔式交叉匹配，高效生成所有可能的数值对齐结果。
本文介绍如何利用 pandas 的 `explode()` 与 `merge()` 实现两组姓名（`name_b`/`name_s`）按其关联数字集合（`number_b`/`number_s`）进行笛卡尔式交叉匹配，高效生成所有可能的数值对齐结果。
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严格一一对应的匹配需求：例如，name_b 列每个值关联一个数字集合（如 {1, 2, 3}），name_s 列同理；目标并非全集匹配，而是找出所有「共享相同数字」的 (name_b, name_s) 组合，并保留原始上下文（如 Entity）。这种场景常见于供应商名录比对、产品别名映射或跨系统 ID 关联等业务中。
核心思路是将集合“展开”为行级原子记录，再通过数值键合并——这正是 pandas.explode() 的典型用武之地。需注意：输入中的 number_b 和 number_s 必须为可迭代对象（如 set、list 或 tuple），若当前为字符串（如 "{1, 2, 3}"），需先用 ast.literal_eval 安全转换。
以下为完整、健壮的实现步骤：
✅ 步骤 1：准备并验证数据类型
import pandas as pd
import ast
# 若 number_b / number_s 是字符串形式的集合，先转换（关键预处理！）
for col in ["number_b", "number_s"]:
if df[col].dtype == "object" and not df[col].apply(lambda x: isinstance(x, (set, list, tuple))).all():
df[col] = df[col].apply(lambda x: ast.literal_eval(str(x)) if pd.notna(x) else set())✅ 步骤 2：分别展开两组数字集合
# 展开 name_b 关联的数字，并保留 Entity 上下文
df_b = (df[["Entity", "name_b", "number_b"]]
.explode("number_b")
.dropna(subset=["number_b"]) # 过滤空集合或 NaN
.rename(columns={"number_b": "number"}))
# 展开 name_s 关联的数字（无需 Entity）
df_s = (df[["name_s", "number_s"]]
.explode("number_s")
.dropna(subset=["number_s"])
.rename(columns={"number_s": "number"}))✅ 步骤 3：外连接匹配，保留全部组合
# 基于 'number' 列执行 outer join —— 确保无遗漏（如 GCP Zyla 的 4/7 仍保留，name_s 为 NaN）
result = pd.merge(df_b, df_s, on="number", how="outer")
# 按需求排序（可选）：保持与示例一致的逻辑顺序
result = result.sort_values(["Entity", "number", "name_b"]).reset_index(drop=True)
# 将缺失的 name_s 显式替换为 '-'（符合示例输出风格）
result["name_s"] = result["name_s"].fillna("-")⚠️ 注意事项与最佳实践
- 空值处理：explode() 对 NaN 或空集合（set()）会生成 NaN 行，务必用 dropna(subset=[...]) 清理，避免无效匹配；
- 性能提示：若集合规模极大（单个字段含数百数字），explode() 可能显著增加行数，建议提前评估膨胀比例；
- 语义一致性：本方法匹配的是「数字交集」而非「名称相似度」，如需结合模糊匹配（如 fuzzywuzzy），应在 explode 后对 name_b/name_s 添加额外过滤条件；
- 输出对齐：最终列序可按需调整：result[["Entity", "number", "name_b", "name_s"]]。
运行后，你将得到完全符合预期的 12 行结果——每一行代表一个由共同数字支撑的 name_b 与 name_s 的有效关联，同时完整保留原始实体标识与数值依据。这种方法简洁、可读性强，且完全向量化，是 Pandas 处理此类“一对多→多对多”映射问题的标准范式。
