表格连接：发现多对多造成的行膨胀

表格连接可能不修改任何原始数值，却把研究结果放大几倍。当连接键在左右两表都重复出现时，每一组匹配组合都可能生成新行。先定义预期关系并核对汇总值，再让 AI 解释结果；程序成功返回数据，并不代表这些行能够相加。

先明确一行表示什么

观测单位比连接条件更早确定。一张表可能是一家公司一个季度的收入，另一张表是该公司当季的多条产品披露。按公司与季度连接，在技术上能够匹配，却可能让同一收入对每个产品重复出现。它没有披露多份收入，只是一个事实被放进了多行。

pandas 的连接指南解释了多对多连接与关系验证。文档能够说明行数膨胀的机制，但不会替研究者决定财务上合理的主键。连接成功只能证明键如何匹配，不能证明经济计算正确。

假设一家虚构公司某季度有两条地区收入：北区 60、南区 40。另一表在相同公司与季度下有三条产品介绍。若只按主体和季度匹配，会产生六行：每个地区对应三个产品，汇总收入从原本 100 变成 300。

最后一种做法把产品介绍列表作为属性附到地区记录上，保住了收入总量，但仍然不能回答每个产品的收入是多少。原始披露没有提供地区与产品交叉分配。假设每个产品分到三分之一，是新增模型假设，不是找回缺失披露。

每次连接应记录左表观测单位、右表观测单位、连接键、预期关系，以及允许哪些记录没有匹配。公司季度事实表连接同一粒度的唯一分类表，通常应为多对一。主体标识映射还要满足相关日期只有一个有效匹配。缺失匹配与多个匹配是不同故障，应分别统计。

连接前先统计每个键的出现次数。预期一家一季一条，结果发现三条，需要检查它们是不是修订版、不同币种、不同分部，或者确实重复。尚未理解差异时不要删行。直接取第一条会掩盖问题，还可能让下一次运行的结果受文件排序影响。

检查连接前后的唯一观测键数量、分币种分期间的金额总量、未匹配键数量与重复频次。总行数看起来合理，仍可能同时发生一家遗漏、另一家重复，两种错误恰好抵消。除整体核对外，还应选取几条记录沿转换全程追踪，确认结果能够解释。

分别保存只在左侧与只在右侧出现的记录。内连接会把范围缩小到两种披露都齐全的公司，这可能使样本偏向大型或披露较充分的主体。保留排除清单，将“没有匹配披露”和“真实数值为零”区分开来。没有分部记录，并不等于没有相应经济活动。

如果不同币种未统一，即使连接没有膨胀，总金额也可能失真。对账应在相同单位下进行；不要靠一个跨币种大合计来证明结果可靠。原始表的期间与合并范围也需要继续随记录保留，不能连接之后只剩公司名称和数值。

可以补足缺失分部键，将辅助表先汇总到所需粒度，继续保留两张独立表，或者明确记录一套分配假设。没有一种修复适用于所有问题。如果要研究产品收入，而来源只披露地区收入，合理结论可能是当前信息无法完成这个层级的分析。

将关系检查和对账结果放在最终数据旁。如果连接代码由 AI 生成，分别检查它选择的键和结果的经济解释。六行整洁数据做出来的漂亮图表，也可能把收入重复计算三遍。

不一定。它可以表达真实的关系集合。问题在于把重复出现的同一指标，当成六个独立观测后继续相加。

只有先确定哪些行真正多余才行。不同产品组合可能每行都唯一，却依旧重复同一条收入事实。