两份名单对不上的时候，最费劲的不是比，而是"到底在比什么"。去年公司组织体检，行政给了我两份从表格另存出来的 txt：一份是报名接龙的，87 行；一份是人事系统导出的在册名单，92 行。两边人数差 5，谁没报、谁已经不在这份名单里，靠肉眼来回找大概要花整个下午。我第一次用交集差集把这三件事分开算，几分钟就有了结果，但紧接着又冒出一个新问题：算出来的"差异"里有三行其实只是多个一个空格。
先把三个词的方向说清楚
集合运算里最容易搞混的是差集，因为它有方向。A - B 的意思是"在 A 里、但不在 B 里"，把 A 和 B 换一个位置，结果就是另外一批人。我当时把报名表当作 A、在册名单当作 B，那么 A - B 就是"报了名但不在册"（外部人员或者已离职），B - A 才是"在册但没报名"（真正要催的那批）。这两个结果完全不同，先想清楚哪一份是基准，再决定方向，顺序搞反了整件事就白做。
交集 A ∩ B 是两边都出现的条目，也就是"确认报了名且确实在册"的人；并集 A ∪ B 是把两份合起来、相同条目只留一个，用来确认"总共涉及多少个人"。并集是最容易被忽略却最能提醒我这几次数据有多乱的一个数——两份名单各 87 和 92 行，并集却是 95，说明实际只有 95 个人，而两边加起来有 179 行。
数字对得上，才算真的算完
我做完以后会做一次减法校验。集合运算的好处是结果之间有固定的数量关系，错了立刻能看出来。体检那次的四个数是自查表里那一栏：
| 口径 | 数量 | 怎么核对 |
|---|---|---|
| 集合 A（报名接龙） | 87 行 | 原文件行数，含 2 行重复 |
| 集合 B（在册名单） | 92 行 | 系统导出，无重复 |
| 交集 A ∩ B | 84 个 | 两边都有的条目 |
| 差集 A - B | 3 个 | 应等于 87 减 84 |
| 差集 B - A | 8 个 | 应等于 92 减 84 |
| 并集 A ∪ B | 95 个 | 应等于 87 加 92 减 84 |
因为 A 里那 2 行重复我在选项里勾选了去重，"报了多少人"其实是 85，而 A - B 里的 3 个是三个人名，两边都对得上我才往下走。这里有个坑：如果不去重，交集会按第一次出现留一个，但你会误以为 A 里 87 个条目都参与了比较，催办名单的长度就对不上。所以我习惯在结果里同时看三个计数——A 的元素数、B 的元素数、结果的元素数，文本集合运算 会把这三个数显示出来，够我用来自证结论。并集还有个副作用我很在意：合并两份来源相同的清单，同时就把重复解决了，比先合并再去重少一步。
假差异才是耗时间的地方
拿到 B - A 那 8 个以后，我发现有 3 个"明明报过名"。原因不复杂，都是文本层面的差异。
第一类是尾随空格。表格另存成 txt 的时候，单元格里手滑多打一个空格很常见，"李雷 " 和 "李雷" 在字符串比较里就是两个东西。我的处理是先把两边都做了首尾空格清理再比——选项里就有这一项。这一步会直接改变结果条数，所以我一定会记下自己有没有打开它：打开了是 8 个差异，没打开可能变 11 个，汇报时说不清是哪个就白比了。
第二类是大小写。邮箱和英文名最容易中招，LiLei@corp.com 和 lilei@corp.com 是同一个人，但如果按区分大小写比较就会被判成两边各有一个。我的做法是：第一轮忽略大小写，把结果当作"真实差异"的候选；第二轮恢复区分大小写，看被抹平的条目有几条，那几条就是书写不规范，得回头统一而不是直接合并。
第三类是不可见字符，制表符、全角空格，还有从别的编码文件粘过来时带的行首标记，肉眼完全看不见，但会让一行"看起来一样"的文本被判成不同。遇到这种我一般先用文本清理类的工具把空白统一处理掉，再做集合运算。
还有一类不是假差异而是真问题：重名。两份名单里都有"张伟"，交集会认为这是同一个人——如果工号也一并列出，那这两行本来就不同，比对结果会多出两条"差异"。凡是靠姓名的比对，我都会要求加上一个唯一列，工号或者邮箱都行，不然集合运算帮不上忙。
它和逐行对比不是一件事
顺带说一句容易混的：集合运算不看顺序，也不看重复的位置，只问"这条在不在那一份里"。所以它回答不了"这一版比上一版改了哪一行、第 5 行变成了什么"。那种要保留行序、要看改动位置的比对，我用的是文本对比，两边按行对齐来看红绿差别。而我如果只是想把两份名单里同一人重复出现的条目砍掉、按姓排好，交给文本排序去重更直接。
几份名单能不能一起比？
工具吃的是两个列表，所以三份以上我会分步做：先算前两份的交集，把结果当作新的 A，再和第三份做交集；要找"任何一份里有但别的没有"的，就把两两差集分别算出来再看重合。三次的结果都得留档，否则第二三步就说不清基准是什么。名单再多我就不指望这种链式做法了，那种情况我会改成把所有名单拼成一列、加一列来源标记，回到表格里做。
问得比较多的几件事
Q：为什么我算出来的差集比预期的多好几条？
十有八九是格式差异，不是数据差异。先按顺序排查：首尾空格清没清、大小写忽不忽略、有没有制表符或全角空格、空行是否参与。把这几项统一后再比一次，缩掉的那几条就是格式造成的。
Q：A 减 B 和 B 减 A 应该看哪一个？
看你要处理谁。要"催没做这件事的人"，就是全集减已办集，也就是 B - A 那个方向；要"查漏、查外部数据"，就是已办集全减。别记"左边减右边"，要记谁是基准。
Q：重复条目会不会把结果带偏？
会。重复让计数变得无法解释，你分不清差异是"多出来的人"还是"多出来的行"。我通常在选项里打开去重，同时另外记一份"原始行数"和"去重后条数"，两个数差多少本身就是数据质量的指标。
Q：并集有什么用，为什么不直接两份拼起来？
拼起来得到的是行数，并集得到的是不重复的条目数。做统计口径时这两个数差别可能很大，体检那次是 179 行对 95 条。要一份完整人员名单，用并集；要保留每一条原始记录，才用简单拼接。
Q：一份名单里有括号、后缀这类杂信息怎么办？
先在两边做同样的清洗，把杂信息去掉再比，否则两边格式不同，交集会小得离谱。清洗动作要一致这点很重要：只洗 A 不洗 B，本来相同的人也被洗成不同的了。
回到那两份差 5 个人的名单。最后催办的是 8 个，其中 5 个是真没报、3 个是空格造成的假差异——这件事给我的判断标准就留成了两条：一是先确认基准和方向再做差集，二是先统一文本形态（空格、大小写、不可见字符）再算，算完用数量关系回验一次。做到这两条，集合运算的结果可以直接发出去；少一条，就得再花一个下午。