on参数不支持直接传入列名列表，必须用left_on和right_on配对传等长列表，位置严格对应，且需确保列存在、类型兼容、无错位或nan干扰。
merge的on参数不支持直接传入列名列表
很多人写 pd.merge(df1, df2, on=['col_a', 'col_b']) 以为这是在按两列做联合匹配，其实不是——on 参数只接受单个字符串（对应同名列）或两个长度相等的列表（left_on 和 right_on）。直接传列表会报错：ValueError: len(left_on) must equal len(right_on)。
正确做法：用left_on和right_on配对传列名
多列关联的本质是「左表某几列」和「右表某几列」逐位置一一对应。必须显式拆成两个等长列表：
-
left_on=['a', 'b']表示从左表取列'a'和'b' -
right_on=['x', 'y']表示从右表取列'x'和'y' - 位置顺序严格对应：
df1['a']↔df2['x']，df1['b']↔df2['y']
示例：
result = pd.merge(df1, df2, left_on=['user_id', 'date'], right_on=['uid', 'dt'], how='inner')
常见错误：列名顺序错位或类型不一致
即使列名都存在，也容易因以下原因导致结果为空或行数异常：
- 左右列顺序不一致，比如
left_on=['A','B']对right_on=['B','A']—— 这会把 A 和 B 错配 - 某列含空值：
NaN == NaN在 pandas 中为False，会导致这些行被丢弃（除非用indicator=True检查） - 数据类型不同：如左表
'2023-01-01'是字符串，右表对应列是datetime64，匹配失败 - 列名拼写差异：大小写、空格、下划线（
'user_id'≠'userId'）
进阶技巧：用索引加速多列关联
如果多列组合在两表中都唯一且频繁用于 join，可以先设为 MultiIndex，再用 join：
df1 = df1.set_index(['a', 'b'])df2 = df2.set_index(['x', 'y'])result = df1.join(df2, how='inner')
这种方式在大数据量时比 merge 快不少，但要求索引列不能有重复组合（否则会广播），且后续操作需注意索引状态是否保留。
最常被忽略的是列顺序和空值处理——哪怕列名全对，只要顺序颠倒或某列混着 None 和 np.nan，结果就不可靠。
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！
