如何基于另一DataFrame的索引与列名实现更高效的映射函数？

我有一个包含Subtype和Building Condition列的DataFrame（Dataframe 1）：

希望基于这两列的值，通过另一个DataFrame（Dataframe 2）完成映射：

当前我通过遍历Dataframe 1，使用pd.DataFrame.at函数逐行获取映射值并添加到列表，最终生成新列Intervention，代码如下：

# assignment of intervention based on subtype and building condition
intervention_list = []
for index, row in bldg_df.iterrows():
    # print(bldg_df.at[index, 'Subtype'])
    intervention = matrix_df.at[bldg_df['Subtype'][index], 
                                bldg_df['Building Condition'][index]]
    intervention_list.append(intervention)   

bldg_df['Intervention'] = intervention_list

最终得到的结果DataFrame：

这个方法可行，但想寻求更高效的实现方式，比如使用map或merge_asof函数？

方法1：映射表转嵌套字典后用apply匹配 #

先把Dataframe 2转换为嵌套字典，再通过行数据直接匹配取值：

# 将matrix_df转为嵌套字典：{Subtype: {Condition: Intervention}}
map_dict = matrix_df.to_dict('index')

# 对bldg_df每行应用匹配逻辑
bldg_df['Intervention'] = bldg_df.apply(lambda x: map_dict[x['Subtype']][x['Building Condition']], axis=1)

该方式利用Pandas向量化操作替代逐行遍历，数据量越大，效率提升越明显。

方法2：重塑映射表后用merge关联 #

将宽格式的Dataframe 2转为长格式，再通过merge完成关联匹配：

# 把matrix_df从宽表转为长表
matrix_long = matrix_df.stack().reset_index()
matrix_long.columns = ['Subtype', 'Building Condition', 'Intervention']

# 合并两个DataFrame，匹配对应干预措施
bldg_df = bldg_df.merge(matrix_long, on=['Subtype', 'Building Condition'], how='left')

merge是Pandas原生高效关联操作，适合需要保留更多关联信息的场景。

方法3：向量化索引取值（性能最优） #

利用索引位置匹配，结合Numpy向量化操作直接取值，是性能最高的方案：

import numpy as np

# 获取Subtype和Building Condition在映射表中的索引位置
row_idx = matrix_df.index.get_indexer(bldg_df['Subtype'])
col_idx = matrix_df.columns.get_indexer(bldg_df['Building Condition'])

# 通过Numpy向量化操作提取对应值
bldg_df['Intervention'] = np.take_along_axis(matrix_df.values, col_idx[:, None], axis=1).flatten()

该方案完全规避循环，依赖底层向量化运算，处理大规模数据时优势显著。

内容的提问来源于stack exchange，提问作者John Lawrence Abarquez