直接用merge失败是因为pandas默认精确匹配，而数据存在拼写、缩写、空格、大小写等差异；需改用基于语义相似度的模糊匹配策略。
为什么直接用 merge 会失败？
两张表的列名或内容存在拼写差异、缩写、空格、大小写混用（比如 "Beijing" vs "BJ City"），pandas.merge 默认只做精确匹配，找不到键就全填 NaN。这不是数据问题，是匹配逻辑不适用——得换“语义相似”而非“字符相等”的思路。
fuzz.ratio() 和 fuzz.token_sort_ratio() 怎么选？
两者都返回 0–100 的整数，但行为差别很大：
-
fuzz.ratio("New York", "new york")→ 80（区分大小写+顺序敏感） -
fuzz.token_sort_ratio("New York", "new york")→ 100（先转小写、分词、排序再比） - 如果字段含冗余词（如
"Shanghai Tech University"vs"Tech Univ Shanghai"），优先用token_sort_ratio - 若顺序本身重要（如地址层级：
"Room 201, Bldg A"vs"Bldg A, Room 201"），可试partial_ratio或组合策略
怎么把模糊匹配结果变成可用的 merge？
不能直接丢给 pd.merge，得先生成「最可能的匹配对」。核心步骤是：对左表每行，在右表中找相似度最高的项，并设阈值过滤低置信结果：
from fuzzywuzzy import fuzz
import pandas as pd
def get_best_match(val, candidates, scorer=fuzz.token_sort_ratio, threshold=70):
scores = [(c, scorer(str(val), str(c))) for c in candidates]
best = max(scores, key=lambda x: x[1])
return best[0] if best[1] >= threshold else None
df1["match_key"] = df1["name_col"].apply(
lambda x: get_best_match(x, df2["company_name"].unique())
)
result = df1.merge(df2, left_on="match_key", right_on="company_name", how="left")
注意点：
- 务必用
df2["xxx"].unique()缩减候选集，否则O(n×m)太慢 -
threshold别硬设 80——先抽样看分布，70是常见起点，但医疗/金融类名称可能需调到85+ - 如果右表有重复名，
merge会产生笛卡尔积，提前用drop_duplicates处理
中文匹配为什么效果差？需要额外处理吗？
fuzzywuzzy 原生按字符比，对中文基本等价于“字数相同且字序一致才高分”，"北京中关村" 和 "中关村 北京" 得分可能只有 40。必须预处理：
- 用
jieba分词后 join 成空格分隔字符串："北京 中关村"vs"中关村 北京" - 去掉停用词（“市”“省”“有限公司”等），否则
"杭州阿里巴巴"和"杭州阿里巴巴有限公司"相似度被拉低 - 别依赖
fuzz.WRatio——它内部加权策略对中文不透明，实测不如手动分词+token_sort_ratio
真正难的不是算分，是定义“什么叫合理匹配”。比如 "腾讯" 和 "腾讯科技" 算不算？这得看业务规则，代码只能给你候选，拍板还得人来定。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
