如何在多个Pandas DataFrame上循环执行Merge操作？

问题背景 #

有多个Pandas DataFrame（如df1、df2），需要和同一个关联表key_df执行相同的合并操作，最终得到每个原DataFrame关联后的结果。现有实现方式是将所有DataFrame存入列表，合并后再从列表中提取，操作繁琐，希望找到更高效直观的实现方法。

现有数据代码：

import pandas as pd

data_1 = [[1, "Sarah"], [2, "Kevin"], [3, "Mark"]]
data_2 = [[1, "Bart"], [5, "Nina"], [4, "John"]]
df1 = pd.DataFrame(data_1, columns=["Floor", "Name"])
df2 = pd.DataFrame(data_2, columns=["Floor", "Name"])

key = [[1, "Security"], [2, "HR"], [3, "Finance"], [4, "Marketing"], [5, "R&D"]]
key_df = pd.DataFrame(key, columns=["Floor", "Dept"])

现有合并代码（痛点：需从列表提取结果）：

all_df = [df1, df2]
all_merge = []

for df in all_df:
    df_merge = df.merge(key_df)
    all_merge.append(df_merge)

优化方案 #

方案1：原地更新原DataFrame #

如果希望直接修改原变量（df1、df2），可以通过索引循环列表，将合并结果直接赋值回原位置，无需额外提取：

all_df = [df1, df2]
for i in range(len(all_df)):
    all_df[i] = all_df[i].merge(key_df)

# 此时原变量已更新
df1, df2 = all_df[0], all_df[1]

优点：直接复用原变量名，无需维护新的列表或字典；缺点：若DataFrame数量较多，手动解包变量会比较麻烦。

方案2：用字典管理DataFrame（推荐） #

将所有需要合并的DataFrame存入字典，循环处理后直接通过字典键调用结果，逻辑更清晰，尤其适合DataFrame数量较多的场景：

# 用字典存储原DataFrame
dfs = {"df1": df1, "df2": df2}

# 循环执行合并并更新字典
for name, df in dfs.items():
    dfs[name] = df.merge(key_df)

# 调用结果
df1_merged = dfs["df1"]
df2_merged = dfs["df2"]

优点：通过键名直接关联原DataFrame和合并结果，可读性高，便于后续维护；缺点：需要额外创建字典结构，但成本极低。

方案3：列表推导式简化原代码 #

如果仍偏好列表存储，用列表推导式可以大幅简化代码，比原循环更简洁：

all_merge = [df.merge(key_df) for df in [df1, df2]]

# 提取结果
df1, df2 = all_merge

优点：代码简洁，一行完成合并；缺点：本质和原方法类似，仍需提取结果，但写法更高效。

方案4：直接批量合并后拆分（进阶） #

如果所有原DataFrame结构一致，可以先将它们纵向合并，一次性关联key_df，再按原DataFrame拆分：

# 给每个DataFrame添加标识列
df1["source"] = "df1"
df2["source"] = "df2"

# 纵向合并所有DataFrame
combined = pd.concat([df1, df2], ignore_index=True)

# 一次性关联key_df
combined_merged = combined.merge(key_df)

# 拆分回原DataFrame
df1_merged = combined_merged[combined_merged["source"] == "df1"].drop("source", axis=1).reset_index(drop=True)
df2_merged = combined_merged[combined_merged["source"] == "df2"].drop("source", axis=1).reset_index(drop=True)

优点：减少多次合并的重复操作，适合DataFrame数量极多的场景；缺点：需要添加临时标识列，步骤稍多。

内容的提问来源于stack exchange，提问作者be84