如何连接两个Pandas DataFrame并生成对应描述列？

可以通过构建ID-描述映射字典+循环插入列的方式高效实现需求，具体操作如下：

1. 构建ID到描述的映射字典 #

将df1转换为字典，利用字典O(1)的查找效率，比多次merge操作更高效：

import pandas as pd
from numpy import nan

# 初始化原始数据
df1 = pd.DataFrame({'ID': {0: 'A', 1: 'B', 2: 'C'}, 'Description': {0: 'Apple', 1: 'Book', 2: 'Cat'}})
df2 = pd.DataFrame({'Name': {0: 'David', 1: 'Ken'},'ID1': {0: 'A', 1: 'B'}, 'ID2': {0: 'C', 1: nan}, 'ID3': {0: 'B', 1: 'C'}})

# 生成ID到Description的映射字典
id_desc_map = df1.set_index('ID')['Description'].to_dict()

2. 循环处理生成并插入描述列 #

循环遍历ID1/ID2/ID3列，生成对应的描述列，并插入到对应ID列的后方，保证列顺序符合需求：

for i in range(1, 4):
    id_col = f'ID{i}'
    desc_col = f'DESC{i}'
    
    # 匹配描述，将NaN替换为'Null'（与期望结果一致）
    df2[desc_col] = df2[id_col].map(id_desc_map).fillna('Null')
    
    # 获取ID列的位置，将描述列插入到其下一位
    insert_index = df2.columns.get_loc(id_col) + 1
    df2.insert(insert_index, desc_col, df2.pop(desc_col))

最终输出结果 #

运行代码后，df2的输出与你的期望完全一致：

Name ID1  DESC1  ID2 DESC2 ID3  DESC3
0  David   A  Apple    C   Cat   B  Book
1    Ken   B   Book  NaN  Null   C    Cat

方案优势 #

• 字典映射的查找效率远高于多次merge，数据量越大性能优势越明显
• 仅循环3次，几乎无性能开销
• 严格保证ID列与对应描述列的相邻顺序，完全匹配需求

内容的提问来源于stack exchange，提问作者Shichimi