合并样本量、列名均不同的三个数据集，使用merge()失败如何解决？

前置梳理步骤 #

• 先确认唯一关联标识：梳理三个数据集是否存在可对齐的共性字段（如用户ID、时间戳、设备编号等），如果同一标识在不同表中列名不同，先统一命名，比如将df1的user_id、df2的uid、df3的customer_id统一重命名为union_id，降低后续合并逻辑复杂度
• 明确合并的预期输出规则：确认是要保留所有样本的全量合并，还是仅保留三个表共有样本的交集合并，或是以某一个表为基准的定向合并

分场景实现方案 #

场景1：存在共同关联键，仅列名、样本量不一致 #

单次merge()默认只能合并两个表，三个表合并可采用链式调用或批量合并函数，容错率远高于嵌套merge()：

• R语言实现：使用dplyr和purrr包批量合并，示例为全外连接（保留所有样本）：

  library(dplyr)
  library(purrr)
  # 三个表放入列表，按统一关联键合并
  df_final <- reduce(list(df1, df2, df3), full_join, by = "union_id")
  

  如需调整合并规则，将full_join替换为inner_join/left_join即可。
• Python实现：使用pandas结合reduce批量合并：

  import pandas as pd
  from functools import reduce
  
  dfs = [df1, df2, df3]
  # how参数可替换为inner/left/right调整合并逻辑
  df_final = reduce(lambda left, right: pd.merge(left, right, on="union_id", how="outer"), dfs)
  

  若不想提前统一键名，可将on参数替换为left_on、right_on分别指定左右表的关联键。

场景2：无共同关联键，仅需按行/列直接拼接 #

如果不需要按样本对齐，仅需将三个表合并为一个大表：

• 按行拼接：合并后列数为三个表所有列的并集，无对应值自动填充空值，适合同类型数据的上下堆叠：
  R代码：dplyr::bind_rows(df1, df2, df3)
  Python代码：pd.concat([df1, df2, df3], axis=0, ignore_index=True)
• 按列拼接：合并后行数与最长表一致，适合已提前按样本顺序对齐的表直接合并列：
  R代码：dplyr::bind_cols(df1, df2, df3)
  Python代码：pd.concat([df1, df2, df3], axis=1)
  注意该方式下如果三个表样本量不一致会报错，需提前给短表补空行对齐行数。

场景3：需多条件或模糊匹配合并 #

如果需要同时按多个字段匹配（如同时匹配时间+地区+用户类型），可将多个匹配字段以向量/列表形式传入by参数；如果需要做数值范围、正则等模糊匹配，R可使用fuzzyjoin包，Python可使用fuzzy_pandas库实现对应逻辑。

内容的提问来源于stack exchange，提问作者James Andersson