满足多条件的DataFrame合并问题及代码修正需求

核心需求梳理 #

• 匹配规则：Client MAC与AP MAC完全匹配、DF1的Description字段包含"AP"、DF1的Client VLAN等于"1234"
• 合并目标：将DF2数据合并到DF1中，保留DF1全部行
• 字段填充：仅对满足匹配规则的行，用DF1的Interface值覆盖DF2的AP Intf字段

常见匹配错误原因 #

之前的代码大概率是因为未前置过滤无效行，或合并时未精准限定匹配条件，导致出现多对多匹配、错误填充不符合要求的行等问题。

修正后的代码实现 #

import pandas as pd

# 1. 对DF1做前置过滤，锁定符合基础条件的行（减少后续匹配计算量）
valid_df1 = df1[(df1['Description'].str.contains('AP', na=False)) & (df1['Client VLAN'] == '1234')]

# 2. 以MAC地址为匹配键，执行左合并（保留DF1所有行）
merged_result = pd.merge(
    df1,
    df2,
    left_on='Client MAC',
    right_on='AP MAC',
    how='left',
    suffixes=('_df1', '_df2')  # 给重复列加后缀，避免冲突
)

# 3. 精准填充AP Intf字段：仅对满足所有条件的匹配行生效
merged_result['AP Intf'] = merged_result.apply(
    lambda row: row['Interface'] 
    if pd.notna(row['AP MAC_df2']) 
       and row['Description'].str.contains('AP', na=False) 
       and row['Client VLAN'] == '1234'
    else row['AP Intf'],
    axis=1
)

# 4. 可选：清理合并后多余的列（根据实际需求调整）
merged_result = merged_result.drop(columns=['AP MAC_df2'])

代码关键说明 #

• 前置过滤：先筛选DF1中符合Description含"AP"、VLAN为1234的行，缩小匹配范围，提升效率同时避免无效匹配
• 左合并策略：how='left'确保DF1的1万+行全部保留，仅匹配DF2中符合条件的条目
• 条件填充：通过apply函数严格限定填充规则，只对满足所有匹配条件的行填充AP Intf，避免错误覆盖
• 性能适配：DF2仅300行左右，该方案的计算效率完全能应对DF1的规模

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