Pandas DataFrame中的关联引用：如何通过DataFrame A的Person_Id快速引用以Person_Id为索引的DataFrame B

当然有啦！这里有几个超便捷的方法，能让你在访问DataFrame A的Person_Id时，快速调取DataFrame B里的对应信息，一起来看看：

方法1：用merge合并数据（最直观） #

直接把两个DataFrame按Person_Id关联起来，合并后就能在同一个DataFrame里同时访问A和B的所有信息，后续操作非常顺手。示例代码如下：

import pandas as pd

# 模拟你的DataFrame结构
df_a = pd.DataFrame({'Person_Id': [1, 2, 3, 4]})
df_b = pd.DataFrame(
    {'Age': [25, 30, 35, 40], 'City': ['NY', 'LA', 'Chicago', 'Houston']}, 
    index=[1, 2, 3, 4]  # B的索引是Person_Id
)

# 先把B的索引转为列，方便合并
df_b_reset = df_b.reset_index().rename(columns={'index': 'Person_Id'})
# 左合并保留A的所有行，匹配B的对应信息
merged_df = df_a.merge(df_b_reset, on='Person_Id', how='left')

print(merged_df)

合并完成后，你可以直接通过条件筛选获取目标信息，比如merged_df[merged_df['Person_Id'] == 2]['City']就能拿到Person_Id=2对应的城市。

方法2：用map快速映射单个列 #

如果只需要从B中提取某一列的信息，map绝对是最简洁高效的选择。比如给A新增一列Age，直接一行代码搞定：

# 利用B的索引和对应列创建映射关系，快速赋值
df_a['Age'] = df_a['Person_Id'].map(df_b['Age'])
# 同理，添加City列
df_a['City'] = df_a['Person_Id'].map(df_b['City'])

print(df_a)

这种方法代码短、执行快，适合只需要提取少量字段的场景。

方法3：用apply结合loc灵活调取 #

如果需要一次性获取B里的多个信息，或者要对信息做自定义处理，apply配合loc的组合会非常灵活：

def get_person_details(person_id):
    # 通过loc按索引获取B的对应行，转成字典方便后续提取字段
    return df_b.loc[person_id].to_dict()

# 给A新增一列，存储该Person_Id对应的所有信息
df_a['Person_Details'] = df_a['Person_Id'].apply(get_person_details)

# 后续可以这样访问单个字段
print(df_a.loc[0, 'Person_Details']['City'])  # 输出第一个Person_Id对应的城市

这种方法自由度很高，适合需要对B的信息做额外加工的场景。

内容的提问来源于stack exchange，提问作者A1122