在R中匹配多列并从另一数据集提取Shipped字段值

问题背景 #

现有两份月末销售数据集，需完整保留数据集A的所有行，并从数据集B中提取对应订单的Shipped字段值。使用merge或match函数时，出现值不匹配或数据集行数异常膨胀的问题。真实数据集包含100+列、约50万行，以下为示例数据：

数据集A

数据集B

期望输出

解决方案（基于Pandas） #

针对大数据量（50万行），采用**左连接（Left Join）**是最优方案，既能完整保留A的所有行，又能避免数据集膨胀，核心是指定唯一的匹配键（First Name+Last Name+Order，这三个字段组合可唯一标识订单）。

代码实现

import pandas as pd

# 读取数据集（根据实际格式调整，如Excel用pd.read_excel）
df_a = pd.read_csv('dataset_a.csv')
df_b = pd.read_csv('dataset_b.csv')

# 重命名Shipped列，避免合并后列名冲突
df_a.rename(columns={'Shipped': 'Shipped A'}, inplace=True)
df_b.rename(columns={'Shipped': 'Shipped B'}, inplace=True)

# 执行左连接：以A的行基准，匹配B中相同订单的记录
merged_df = pd.merge(
    df_a,
    df_b[['First Name', 'Last Name', 'Order', 'Shipped B']],  # 仅保留需要的列，提升效率
    on=['First Name', 'Last Name', 'Order'],
    how='left'
)

# 将缺失值替换为N/A
merged_df['Shipped B'] = merged_df['Shipped B'].fillna('N/A')

# 调整列顺序，与期望输出一致
merged_df = merged_df[['First Name', 'Last Name', 'Order', 'Shipped A', 'Shipped B']]

# 输出或保存结果
print(merged_df)
# merged_df.to_csv('matched_result.csv', index=False)

关键说明

1. 匹配键选择：必须用First Name+Last Name+Order组合作为匹配键，若仅用部分字段（如仅Order），可能因订单号重复导致笛卡尔积（行数膨胀）。
2. 左连接逻辑：how='left'确保保留A的所有行，B中无匹配的行自动填充NaN，后续替换为N/A即可。
3. 性能优化：合并时仅从B中提取需要的列（避免加载100+列），提升大数据量下的处理速度。

内容的提问来源于stack exchange，提问作者Trae