如何按Sample_Name将含重复样本ID的DataFrame与参考数据集做减法

我有以下两个数据集：

参考数据集 ref_df #

实验数据集 df1 #

需要实现df1的每个样本值减去ref_df中对应Sample_Name的参考值，得到如下目标结果df_result：

目标结果 df_result #

要求保留df1中的重复样本，但直接复制ref_df匹配行数时，减法无法按Sample_Name对应匹配，请问该如何解决？

方法1：使用map快速匹配参考值 #

将ref_df转换为以Sample_Name为键的字典，通过map为df1的每一行匹配对应参考值，再执行减法：

import pandas as pd

# 构造示例数据
ref_df = pd.DataFrame({
    'Sample_Name': ['CTRL', 'E-1', 'FIB', '10nM Benz'],
    'Value': [18.17, 19.06, 17.78, 17.89]
})

df1 = pd.DataFrame({
    'Sample_Name': ['CTRL', 'E-1', 'FIB', '10nM Benz', 'CTRL', 'E-1', 'FIB', '10nM Benz'],
    'Value': [27.49, 28.89, 24.81, 24.24, 27.36, 28.87, 24.66, 24.32]
})

# 转换为Sample_Name到参考值的字典
ref_mapping = ref_df.set_index('Sample_Name')['Value'].to_dict()

# 匹配参考值并计算差值
df1['Ref_Value'] = df1['Sample_Name'].map(ref_mapping)
df_result = df1.assign(Value=df1['Value'] - df1['Ref_Value']).drop(columns='Ref_Value')

# 输出保留两位小数的结果
print(df_result.round(2))

方法2：使用merge左连接匹配 #

通过左连接将ref_df的参考值合并到df1中，确保每个样本行都能匹配到对应参考值，再计算差值：

import pandas as pd

# 构造示例数据，重命名参考值列避免冲突
ref_df = pd.DataFrame({
    'Sample_Name': ['CTRL', 'E-1', 'FIB', '10nM Benz'],
    'Value': [18.17, 19.06, 17.78, 17.89]
}).rename(columns={'Value': 'Ref_Value'})

df1 = pd.DataFrame({
    'Sample_Name': ['CTRL', 'E-1', 'FIB', '10nM Benz', 'CTRL', 'E-1', 'FIB', '10nM Benz'],
    'Value': [27.49, 28.89, 24.81, 24.24, 27.36, 28.87, 24.66, 24.32]
})

# 左连接匹配参考值
merged_df = pd.merge(df1, ref_df, on='Sample_Name', how='left')
# 计算差值并整理结果
df_result = merged_df.assign(Value=merged_df['Value'] - merged_df['Ref_Value']).drop(columns='Ref_Value')

print(df_result.round(2))

两种方法均能保留df1的原始行顺序和重复样本，输出结果与目标一致。map方法代码更简洁，适合参考数据集样本名称唯一的场景；merge方法灵活性更强，可应对更复杂的匹配逻辑。

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