Data Merge Join 数据横向关联 Skill

功能概述

本skill用于将多个结构化数据文件按指定键进行横向关联（JOIN），支持内连接（inner）、左连接（left）、右连接（right）、全连接（outer）四种方式。多文件关联时按顺序依次进行两两关联，重名列自动添加后缀 _1、_2 以避免冲突。

文件1:          文件2:          关联结果(inner join on key):
| key | A |     | key | B |     | key | A | B |
|-----|---|     |-----|---|     |-----|---|---|
| k1  | 1 |     | k1  | x |     | k1  | 1 | x |
| k2  | 2 |     | k3  | y |

触发条件

当用户请求以下任务时，应使用此skill：

• 数据关联/表连接
• 横向合并/键合并
• JOIN操作
• 按字段关联数据

核心参数说明

必需参数

参数	说明
--input_files	输入文件路径列表，多个文件用逗号分隔
--output	输出文件路径
--join_key	关联键字段名，必须在所有输入文件中存在

可选参数

参数	说明	默认值
--join_how	关联方式：inner/left/right/outer	inner
--use_dask	是否使用Dask处理大数据	False
--blocksize	Dask分块大小	64MB

输入文件格式

支持 CSV、TSV、Excel（.xls/.xlsx）、SPSS（.sav）格式的结构化数据文件，每个文件必须包含关联键字段。

示例 employees.csv：

employee_id,name,department_id,salary,city
E001,Alice,SALES,8000,Beijing
E002,Bob,ENG,12000,Shanghai

示例 departments.csv：

department_id,dept_name,manager,location
SALES,Sales Department,Alice,Beijing
ENG,Engineering Department,Bob,Shanghai

使用方法

内连接（只保留两表都匹配的行）

python scripts/run_data_merge_join.py \
  --input_files "file1.csv,file2.csv" \
  --output merged.csv \
  --join_key "id" \
  --join_how inner

左连接（保留左表所有行）

python scripts/run_data_merge_join.py \
  --input_files "main.csv,lookup.csv" \
  --output merged.csv \
  --join_key "user_id" \
  --join_how left

右连接（保留右表所有行）

python scripts/run_data_merge_join.py \
  --input_files "main.csv,lookup.csv" \
  --output merged.csv \
  --join_key "dept_id" \
  --join_how right

全连接（保留两表所有行）

python scripts/run_data_merge_join.py \
  --input_files "table_a.csv,table_b.csv" \
  --output merged.csv \
  --join_key "key" \
  --join_how outer

输出示例

命令行输出：

[OK] Data merge completed!
   Engine: pandas
   Merge type: join
   Input files: 2
   Total rows before merge: 10, 5
   Total rows after merge: 8
   Total columns after merge: 8
   Output file: merged.csv

输出CSV格式：

employee_id,name,department_id,salary,city,dept_name,manager,location
E001,Alice,SALES,8000,Beijing,Sales Department,Alice,Beijing
E002,Bob,ENG,12000,Shanghai,Engineering Department,Bob,Shanghai

环境要求

本skill依赖 pandas 及可选依赖 dask、chardet：

pip install pandas openpyxl xlrd xlwt chardet
# 可选：大数据场景
pip install dask[dataframe]

注意事项

1. join_key必须在所有输入文件中存在，否则程序会报错
2. 多文件关联时，按顺序依次进行两两关联
3. 重名列会自动添加后缀 _1、_2 等以避免冲突
4. 不负责纵向拼接堆叠（concat），如需纵向合并请使用其他skill