用 rapidfuzz 或 recordlinkage 实现模糊合并：前者适合小规模，通过相似度阈值筛选配对；后者适合中大规模，采用索引+比较+分类三步流程提升效率，并需处理未匹配、多匹配及阈值调优问题。
用 fuzzywuzzy + pd.merge 做基础模糊合并
直接用 pd.merge 无法处理“张三”和“张珊”这类近似字符串匹配，必须先生成相似度得分，再按阈值筛选配对。最常用的是 fuzzywuzzy（现名 rapidfuzz），它提供 fuzz.ratio、fuzz.partial_ratio 等函数，返回 0–100 的整数得分。
实操建议：
立即学习“Python免费学习笔记（深入）”；
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 安装用
pip install rapidfuzz（推荐新库，比原fuzzywuzzy快且无依赖问题） - 对左表每行，在右表中遍历计算
fuzz.ratio(left_name, right_name)，取最高分且 ≥80 的匹配项（阈值需根据数据调） - 避免全量笛卡尔积：先用首字+长度做粗筛（如
left['name'].str[0] == right['name'].str[0]），再对子集算相似度 - 示例关键逻辑：
from rapidfuzz import fuzz<br>def get_best_match(x, candidates):<br> scores = [fuzz.ratio(x, c) for c in candidates]<br> idx = np.argmax(scores)<br> return candidates[idx] if scores[idx] >= 80 else None
用 recordlinkage 处理中等规模批量模糊连接
当两张表都超过 1 万行，手写循环会极慢。recordlinkage 是专为实体解析设计的库，支持索引（blocking）+ 比较（comparing）+ 分类（classification）三步流程，能显著减少比较次数。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用
indexing.Block('city')或indexing.SortedNeighbourhood('name', window=3)缩小候选对范围 - 比较阶段可同时用多个指标：
compare.String('name', 'name', method='jarowinkler', threshold=0.85)+compare.Exact('gender', 'sex') - 输出是
pd.MultiIndex，需转成 DataFrame 后用.join()或pd.concat()补全原始字段 - 注意：默认不处理 NaN，需提前用
fillna('')，否则jarowinkler会报错
性能陷阱：为什么 apply + fuzz 在大表上慢得离谱
df1['name'].apply(lambda x: get_best_match(x, df2['name'])) 看似简洁，但实际是 O(N×M) 时间复杂度，1 万 × 1 万 就要算 1 亿次字符串比对——CPU 占满且内存飙升。
更现实的做法：
- 用
rapidfuzz.process.extractOne(query, choices, scorer=fuzz.token_sort_ratio)，它底层用 C 实现，比纯 Python 循环快 5–10 倍 - 把右表 name 构建成
rapidfuzz.process.Extractor实例，复用索引结构（适用于多次查询） - 真到 10 万+ 行，考虑导出为 DuckDB，用 SQL +
levenshtein()函数（DuckDB 0.10+ 内置），再读回 Pandas - 别信“向量化就能快”——
fuzz类函数本质无法真正向量化，所谓 vectorize 只是语法糖，底层仍是循环
合并后怎么保留未匹配行和多匹配冲突
模糊匹配天然存在一对多或零匹配，pd.merge 默认丢弃未匹配行，而真实业务常需标记“未找到”或“疑似重复”。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先生成匹配结果 DataFrame（含 left_id、right_id、score），再用
pd.merge(df1, result, on='id', how='left')保证左表完整 - 对 score 为空的行，显式赋值
result['match_status'] = np.where(result['score'].isna(), 'unmatched', 'matched') - 检测多匹配：用
result.groupby('left_id').size().max() > 1，若存在，加一列is_ambiguous = result.groupby('left_id')['score'].rank(method='min', ascending=False) == 1标出最高分唯一项 - 别直接用
how='outer'—— 它会把所有右表行都拉进来，包括完全无关的，导致结果膨胀不可控
真正难的不是跑通代码，而是确定“多高才算匹配”：80 分可能漏掉方言变体，95 分又会卡死在简繁体转换上。先拿 100 行样本手工验几轮，比调参重要得多。
