如何查找并存储Pandas DataFrame中与另一DataFrame行匹配的行索引？

核心方案：用Pandas内置向量化操作替代手动循环 #

完全不需要采用O(n²)的嵌套循环，Pandas的内置方法都是底层优化过的，能大幅提升效率，这里推荐两种高效实现方式：

方法一：使用merge（最推荐，效率最高）

提取prevtests的匹配列和索引，与tests做左连接，直接将匹配到的索引合并到tests中：

# 从prevtests中提取匹配列（p、n、a）和原索引，重命名索引列方便识别
prev_index_mapping = prevtests[['p', 'n', 'a']].reset_index().rename(columns={'index': 'prev_index'})

# 左连接：基于p、n、a列匹配，将prevtests的索引添加到tests中
tests = tests.merge(prev_index_mapping, on=['p', 'n', 'a'], how='left')

• 效果：tests新增的prev_index列就是匹配到的prevtests行索引，未匹配的行该值为NaN
• 优势：底层采用哈希连接，时间复杂度接近线性，远快于手动循环，且代码简洁易维护

方法二：使用复合索引映射

如果偏好字典映射的方式，可以先构建(p,n,a)到prevtests索引的映射，再批量赋值：

# 构建(p,n,a)与prevtests索引的映射字典
idx_mapping = prevtests.reset_index().set_index(['p', 'n', 'a'])['index'].to_dict()

# 批量为tests添加匹配的索引列
tests['index'] = tests.apply(lambda row: idx_mapping.get((row['p'], row['n'], row['a']), None), axis=1)

• 注意：apply的效率略低于merge，当tests行数较多时更推荐第一种方法

补充说明 #

你之前担心合并是低效方案，但实际上merge只会处理必要的列（p、n、a和索引），不会影响tests的其他列，而且完全不需要手动遍历，是处理这类匹配问题的标准高效手段。

内容的提问来源于stack exchange，提问作者Zoe Allen