WorkBuddy提供四种CSV合并方法：一、数据集合并功能批量导入并按行追加；二、SQL脚本用UNION ALL精确控制合并；三、模板映射统一字段语义后批量导入；四、Python脚本自定义清洗与合并。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
如果您在使用WorkBuddy处理多个CSV文件时，需要将它们整合为单一数据集以进行后续分析或导入，但手动逐个复制粘贴效率低下且易出错，则可借助WorkBuddy内置的数据集成能力实现快速合并。以下是多种可行的操作方法：
一、使用“数据集合并”功能批量导入并自动合并
该方法适用于CSV文件结构一致（列名、列数、数据类型相同），且文件数量较多的场景。WorkBuddy会自动识别表头并对齐字段，避免人工映射错误。
1、点击左侧导航栏【数据管理】→【新建数据集】→选择【从文件上传】。
2、在文件选择窗口中，按住Ctrl键（Windows）或Command键（macOS），**依次选中所有待合并的CSV文件**，然后点击【打开】。
3、上传完成后，系统弹出“多文件导入配置”面板，在【合并方式】下拉菜单中选择按行追加（垂直合并）。
4、勾选“首行为列标题”，确保所有文件均以第一行为字段名；若存在部分文件无标题行，需提前统一格式。
5、点击【确认合并】，WorkBuddy将在后台自动完成解析、对齐与去重（可选）操作，生成一个新数据集。
二、通过SQL脚本执行UNION ALL合并
该方法适用于已将CSV文件分别导入为独立数据表，且需精确控制字段顺序、类型转换或条件过滤的高级用户。WorkBuddy支持标准SQL语法，可在【SQL查询】模块中直接编写合并语句。
1、先将各CSV文件分别上传为独立数据表，命名建议为sales_q1、sales_q2、sales_q3等便于识别。
2、进入【数据分析】→【SQL查询】，新建查询窗口。
3、输入如下SQL语句（假设三张表结构完全一致）：
SELECT * FROM sales_q1 UNION ALL SELECT * FROM sales_q2 UNION ALL SELECT * FROM sales_q3
4、点击【执行】，结果集将实时显示；点击右上角【保存为新数据集】，输入名称并确认。
5、注意：若字段顺序不一致，必须显式列出字段名，例如SELECT id, name, amount FROM sales_q1 ...，否则可能引发列错位。
三、利用“模板映射+批量导入”实现结构化合并
当多个CSV文件字段名称不同但语义相同（如“订单编号”“order_id”“OrderNo”均表示主键），需统一映射后再合并。此方法支持字段别名定义与类型预设，适合跨部门协作场景。
1、在【数据管理】中点击【创建映射模板】，上传任意一个CSV样本文件。
2、在字段映射界面中，为每个原始列指定标准字段名（如将“order_id”、“OrderNo”均映射为“订单ID”），并设置对应数据类型（文本/数值/日期）。
3、保存模板后，返回【批量导入】，勾选其余待合并的CSV文件。
4、在导入设置中选择已保存的映射模板，并启用“启用模板自动匹配”选项。
5、点击【开始导入】，WorkBuddy将按模板规范统一解析全部文件，并自动合并至同一数据集。
四、调用内置Python脚本进行自定义合并
该方法适用于存在复杂逻辑需求的情况，例如按日期范围筛选、动态列计算、异常值清洗后再合并。WorkBuddy提供轻量级Python运行环境，支持pandas库原生语法。
1、进入【自动化任务】→【新建脚本任务】，选择【Python脚本】类型。
2、在代码编辑区粘贴以下基础合并模板：
import pandas as pd files = ['file1.csv', 'file2.csv', 'file3.csv']_list = [pd.read_csv(f) for f in files] result = pd.concat(df_list, ignore_index=True) result.to_csv('merged_output.csv', index=False)
3、点击【上传依赖文件】，将所有CSV文件拖入上传区域，确保文件名与脚本中列表一致。
4、点击【运行脚本】，执行完成后，系统自动生成merged_output.csv并添加至当前项目的数据集列表。
5、注意：脚本中不可使用本地路径，所有文件必须通过平台上传并引用其相对名称。
