Pandas Dataframe：基于其他列条件为新列赋值求助

问题分析 #

你原来的嵌套循环存在三个核心问题：

1. 效率极低：嵌套循环时间复杂度为O(n*m)，面对大型CSV会导致程序运行极慢甚至内存溢出
2. 逻辑错误：判断条件grid['91-120'][j] in df2['Grid'][i]完全不符合需求——你需要判断df2的Grid值属于哪个区间，而非判断折扣值是否存在于Grid中；同时未匹配Entity字段，导致跨Entity的错误匹配
3. 值覆盖问题：循环中每次匹配都会覆盖之前的赋值，最终可能只剩最后一次循环的结果（比如全0）

高效解决方案（适合大型数据集） #

我们可以通过构建映射表+合并匹配的方式实现，完全避免循环：

1. 重构df1为匹配用的映射表

假设df1是宽表结构（每行对应一个Entity，每列对应一个Grid区间，值为对应折扣），先将其转换为窄表，方便后续匹配：

import pandas as pd

# 将df1转为(Entity, Grid区间) -> 折扣的映射格式
mapping_df = df1.melt(id_vars='Entity', var_name='Grid_Interval', value_name='Discount%')

2. 标记df2中Grid值所属的区间

根据你的规则，先定义区间范围，给df2新增列标记其Grid所属的区间：

# 定义区间规则（right=False表示左闭右开，比如61-90包含61，不包含91）
bins = [0, 60, 90, 120, float('inf')]
labels = ['0-60', '61-90', '91-120', '120+']

# 给df2添加所属区间列
df2['Grid_Interval'] = pd.cut(df2['Grid'], bins=bins, labels=labels, right=False)

如果df2的Grid列已经是区间字符串（比如"91-120"），则跳过此步骤，直接使用原Grid列作为匹配字段。

3. 基于Entity和区间匹配赋值

用merge方法将两个表按Entity和Grid_Interval合并，自动填充折扣值：

# 合并表，匹配对应折扣
df2 = df2.merge(mapping_df, on=['Entity', 'Grid_Interval'], how='left')

# 对匹配不到的情况填充默认值（比如0）
df2['Discount%'] = df2['Discount%'].fillna(0)

# 若不需要Grid_Interval列，可删除
df2 = df2.drop(columns='Grid_Interval')

示例验证 #

假设df1结构：

df2初始结构：

处理后df2结果：

内容的提问来源于stack exchange，提问作者saq