兩份名單對不上的時候，最費勁的不是比，而是「到底在比什麼」。去年公司組織健檢，行政給了我兩份從表格另存出來的 txt：一份是報名接龍的，87 行；一份是人資系統匯出的在冊名單，92 行。兩邊人數差 5，誰沒報、誰已經不在這份名單裡，靠肉眼來回找大概要花整個下午。我第一次用交集差集把這三件事分開算，幾分鐘就有了結果，但緊接著又冒出一個新問題：算出來的「差異」裡有三行其實只是多了一個空格。
先把三個詞的方向說清楚
集合運算裡最容易搞混的是差集，因為它有方向。A - B 的意思是「在 A 裡、但不在 B 裡」，把 A 和 B 換一個位置，結果就是另外一批人。我當時把報名表當作 A、在冊名單當作 B，那麼 A - B 就是「報了名但不在冊」（外部人員或者已離職），B - A 才是「在冊但沒報名」（真正要催的那批）。這兩個結果完全不同，先想清楚哪一份是基準，再決定方向，順序搞反了整件事就白做。
交集 A ∩ B 是兩邊都出現的項目，也就是「確認報了名且確實在冊」的人；聯集 A ∪ B 是把兩份合起來、相同項目只留一個，用來確認「總共涉及多少個人」。聯集是最容易被忽略卻最能提醒我這幾次資料有多亂的一個數——兩份名單各 87 和 92 行，聯集卻是 95，說明實際只有 95 個人，而兩邊加起來有 179 行。
數字對得上，才算真的算完
我做完以後會做一次減法校驗。集合運算的好處是結果之間有固定的數量關係，錯了立刻能看出來。健檢那次的四個數是自查表裡那一欄：
| 口徑 | 數量 | 怎麼核對 |
|---|---|---|
| 集合 A（報名接龍） | 87 行 | 原檔案行數，含 2 行重複 |
| 集合 B（在冊名單） | 92 行 | 系統匯出，無重複 |
| 交集 A ∩ B | 84 個 | 兩邊都有的項目 |
| 差集 A - B | 3 個 | 應等於 87 減 84 |
| 差集 B - A | 8 個 | 應等於 92 減 84 |
| 聯集 A ∪ B | 95 個 | 應等於 87 加 92 減 84 |
因為 A 裡那 2 行重複我在選項裡勾選了去重，「報了多少人」其實是 85，而 A - B 裡的 3 個是三個人名，兩邊都對得上我才往下走。這裡有個坑：如果不去重，交集會按第一次出現留一個，但你會誤以為 A 裡 87 個項目都參與了比較，催辦名單的長度就對不上。所以我習慣在結果裡同時看三個計數——A 的元素數、B 的元素數、結果的元素數，文字集合運算 會把這三個數顯示出來，夠我用來自我驗證結論。聯集還有個副作用我很在意：合併兩份來源相同的清單，同時就把重複解決了，比先合併再去重少一步。
假差異才是耗時間的地方
拿到 B - A 那 8 個以後，我發現有 3 個「明明報過名」。原因不複雜，都是文字層面的差異。
第一類是尾隨空格。表格另存成 txt 的時候，儲存格裡手滑多打一個空格很常見，「李雷 」和「李雷」在字串比較裡就是兩個東西。我的處理是先把兩邊都做了首尾空格清理再比——選項裡就有這一項。這一步會直接改變結果條數，所以我一定會記下自己有沒有開啟它：開啟了是 8 個差異，沒開啟可能變 11 個，回報時說不清是哪個就白比了。
第二類是大小寫。信箱和英文名最容易中招，LiLei@corp.com 和 lilei@corp.com 是同一個人，但如果按區分大小寫比較就會被判成兩邊各有一個。我的做法是：第一輪忽略大小寫，把結果當作「真實差異」的候選；第二輪恢復區分大小寫，看被抹平的項目有幾條，那幾條就是書寫不規範，得回頭統一而不是直接合併。
第三類是不可見字元，定位字元、全形空格，還有從別的編碼檔案貼過來時帶的行首標記，肉眼完全看不見，但會讓一行「看起來一樣」的文字被判成不同。遇到這種我一般先用文字清理類的工具把空白統一清掉，再做集合運算。
還有一類不是假差異而是真問題：重名。兩份名單裡都有「張偉」，交集會認為這是同一個人——如果工號也一併列出，那這兩行本來就不同，比對結果會多出兩條「差異」。凡是靠姓名的比對，我都會要求加上一個唯一欄，工號或者信箱都行，不然集合運算幫不上忙。
它和逐行對比不是一件事
順帶說一句容易混的：集合運算不看順序，也不看重複的位置，只問「這條在不在那一份裡」。所以它回答不了「這一版比上一版改了哪一行、第 5 行變成了什麼」。那種要保留行序、要看改動位置的比對，我用的是文字比對，兩邊按行對齊來看紅綠差別。而我如果只是想把兩份名單裡同一人重複出現的項目砍掉、按姓排好，交給文字排序去重更直接。
幾份名單能不能一起比？
工具吃的是兩個列表，所以三份以上我會分步做：先算前兩份的交集，把結果當作新的 A，再和第三份做交集；要找「任何一份裡有但別的沒有」的，就把兩兩差集分別算出來再看重合。三次的結果都得留檔，否則第二三步就說不清基準是什麼。名單再多我就不指望這種鏈式做法了，那種情況我會改成把所有名單拼成一欄、加一欄來源標記，回到表格裡做。
問得比較多的幾件事
Q：為什麼我算出來的差集比預期的多好幾條？
十之八九是格式差異，不是資料差異。先按順序排查：首尾空格清沒清、大小寫忽不忽略、有沒有定位字元或全形空格、空行是否參與。把這幾項統一之後再比一次，縮掉的那幾條就是格式造成的。
Q：A 減 B 和 B 減 A 應該看哪一個？
看你要處理誰。要「催沒做這件事的人」，就是全集減已辦集，也就是 B - A 那個方向；要「查漏、查外部資料」，就是已辦集全減。別記「左邊減右邊」，要記誰是基準。
Q：重複項目會不會把結果帶偏？
會。重複讓計數變得無法解釋，你分不清差異是「多出來的人」還是「多出來的行」。我通常在選項裡開啟去重，同時另外記一份「原始行數」和「去重後條數」，兩個數差多少本身就是資料品質的指標。
Q：聯集有什麼用，為什麼不直接兩份拼起來？
拼起來得到的是行數，聯集得到的是不重複的項目數。做統計口徑時這兩個數差別可能很大，健檢那次是 179 行對 95 條。要一份完整人員名單，用聯集；要保留每一條原始記錄，才用簡單拼接。
Q：一份名單裡有括號、後綴這類雜資訊怎麼辦？
先在兩邊做同樣的清洗，把雜資訊去掉再比，否則兩邊格式不同，交集會小得離譜。清洗動作要一致這點很重要：只洗 A 不洗 B，本來相同的人也被洗成不同的了。
回到那兩份差 5 個人的名單。最後催辦的是 8 個，其中 5 個是真沒報、3 個是空格造成的假差異——這件事給我的判斷標準就留成了兩條：一是先確認基準和方向再做差集，二是先統一文字形態（空格、大小寫、不可見字元）再算，算完用數量關係回驗一次。做到這兩條，集合運算的結果可以直接發出去；少一條，就得再花一個下午。