| name | data_merge_join |
| description | 数据横向关联工具。读取多个结构化数据文件，按指定键进行横向关联（JOIN），输出关联后的合并文件。
当用户提到数据关联、表连接、横向合并、键合并、JOIN等需求时使用此skill。
即使用户没有明确说出"关联"，只要任务涉及按某个字段将多个表的数据关联在一起，就应该使用此skill。
不负责数据纵向拼接（concat）、数据去重、或字段值聚合（GROUP BY）。
|
| name_zh | 数据横向关联算子 |
| input_params | [{"name":"input_files","type":"string","required":true,"description":"输入文件路径列表，多个文件用逗号分隔"},{"name":"output","type":"string","required":true,"description":"输出文件路径"},{"name":"join_key","type":"string","required":true,"description":"关联键字段名（必须在所有文件中存在）"},{"name":"join_how","type":"string","required":false,"default":"inner","description":"关联方式：inner（内连接）、left（左连接）、right（右连接）、outer（全连接）"},{"name":"use_dask","type":"string","required":false,"default":"False","description":"是否使用Dask处理大数据"},{"name":"blocksize","type":"string","required":false,"default":"64MB","description":"Dask分块大小"}] |
| output_params | [{"name":"output","type":"csv_file","description":"关联后的数据文件"}] |
| tag | 增强 |
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
pip install dask[dataframe]
注意事项
- join_key必须在所有输入文件中存在，否则程序会报错
- 多文件关联时，按顺序依次进行两两关联
- 重名列会自动添加后缀
_1、_2 等以避免冲突
- 不负责纵向拼接堆叠（concat），如需纵向合并请使用其他skill
