如何用Pandas高效替代非数值列的嵌套循环？

原嵌套循环的问题在于逐元素遍历的时间复杂度是O(n*m)，数据量稍大就会慢到无法忍受，直接用Pandas的矢量化操作可以解决这个问题，以下是两种高效方案：

方案一：使用merge左连接（推荐，适合多字段匹配） #

直接通过merge做左连接，再处理缺失值，一步到位：

import pandas as pd

# 示例数据
df1 = pd.DataFrame({
    'name': ['John', 'Mary', 'Sally', 'Doe', 'July'],
    'rpm': [1500, 1400, 300, 700, 1000],
    'power': ['high+', 'high-', 'low-', 'medium-', 'medium+']
})

df2 = pd.DataFrame({
    'name': ['Peter', 'Sally', 'Micky', 'Sally', 'July', 'Bob'],
    'age': [77, 44, 22, 34, 50, 20]
})

# 左连接匹配name字段
merged_df = df2.merge(df1, on='name', how='left')
# 匹配失败时rpm设为0
merged_df['rpm'] = merged_df['rpm'].fillna(0)
# power字段匹配失败保留缺失值（即NA）

print(merged_df)

执行后会直接得到你要的结果：

name  age     rpm    power
0  Peter   77     0.0      NaN
1  Sally   44   300.0      low-
2  Micky   22     0.0      NaN
3  Sally   34   300.0      low-
4   July   50  1000.0  medium+
5    Bob   20     0.0      NaN

（注：Pandas中用NaN表示缺失值，对应你需求里的NA，如果需要显示为字符串"NA"，可以再加一行merged_df['power'] = merged_df['power'].fillna('NA')）

方案二：使用map映射（适合单字段快速匹配） #

如果只需要匹配个别字段，用map更简洁：

# 从df1构建name到对应字段的映射字典
rpm_map = df1.set_index('name')['rpm'].to_dict()
power_map = df1.set_index('name')['power'].to_dict()

# 给df2添加匹配后的字段
df2['rpm'] = df2['name'].map(rpm_map).fillna(0)
df2['power'] = df2['name'].map(power_map)

这个方法同样是矢量化操作，速度远快于嵌套循环，结果和方案一一致。

为什么这两种方法更快？ #

Pandas的merge和map都是基于底层优化的矢量化操作，使用哈希匹配或批量查找的逻辑，时间复杂度仅为O(n + m)或O(n log m)，而嵌套循环是O(n*m)，当数据量超过千级时，速度差距会达到几十甚至上百倍，同时还能避免链式索引带来的SettingWithCopyWarning问题。

内容的提问来源于stack exchange，提问作者Bold Ganbaatar