如何以多列作为键向DataFrame映射值？

针对你的需求，我有两种高效的实现方式，都能解决多键（A+B）映射的问题，下面分别说明：

方法一：使用merge（推荐，高效直观） #

这是最稳妥的方式，利用pandas的合并操作直接关联两张表：

1. 先对df2按A和B分组计算C的均值，同时重置索引让A、B回到普通列（避免它们作为索引无法参与合并）：

# 生成分组均值表，保留A、B为列
grouped_mean = df2.groupby(['A', 'B'], as_index=False)['C'].mean()

2. 将df1和这个分组均值表按A、B两列左连接，确保保留df1的所有行，最后重命名列得到new_C：

df1 = df1.merge(grouped_mean, on=['A', 'B'], how='left').rename(columns={'C': 'new_C'})

方法二：元组键+map #

如果更倾向于字典映射的思路，可以把(A,B)组合成元组作为字典的键（因为字典不支持列表作为键，但支持元组）：

1. 先构建以(A,B)元组为键、对应C均值为值的字典：

# 注意这里直接取C列的分组均值再转字典，得到的键就是(A,B)元组
value_map = df2.groupby(['A', 'B'])['C'].mean().to_dict()

2. 利用apply将df1的每一行的A、B转为元组，再映射到字典：

df1['new_C'] = df1.apply(lambda row: value_map[(row['A'], row['B'])], axis=1)

为什么你之前的字典映射失败？ #

你之前执行df2.groupby(['A', 'B']).mean().to_dict()得到的是嵌套字典，结构是{'C': {(3,1): 5.0, (2,2): 2.0, ...}}，无法直接用df1的A、B列去匹配。而上面的方法要么把分组结果转成普通表（merge法），要么直接生成元组键的扁平字典（map法），就解决了多键匹配的问题。

两种方法最终都能得到你期望的结果，其中merge是向量化操作，在处理大数据集时效率更高，更推荐使用。

内容的提问来源于stack exchange，提问作者Olli