如何基于匹配条件批量替换DataFrame列为另一DataFrame对应值？

针对你需要批量替换cus中nationality_code列值为scores对应risk_weight的需求，推荐两种高效的批量处理方法，完全不需要逐个编写替换逻辑：

方法一：使用map()（最简洁） #

先将scores转换为代码-风险权重的字典，再用map()批量映射：

# 从scores生成映射字典：key是code，value是risk_weight
code_weight_map = scores.set_index('code')['risk_weight'].to_dict()

# 批量替换nationality_code列
cus['nationality_code'] = cus['nationality_code'].map(code_weight_map)

• 如果cus中存在scores里没有的国家代码，映射后会变成NaN。如果想保留原代码，可改用：

cus['nationality_code'] = cus['nationality_code'].map(code_weight_map).fillna(cus['nationality_code'])

方法二：使用merge()（更直观，适合需保留多列场景） #

通过合并两个DataFrame来实现替换，逻辑更清晰：

# 合并两个DataFrame，按code和nationality_code匹配
merged_df = cus.merge(scores, left_on='nationality_code', right_on='code', how='left')

# 用risk_weight替换原nationality_code列
cus['nationality_code'] = merged_df['risk_weight']
# 如果需要保留原代码应对缺失情况：
# cus['nationality_code'] = merged_df['risk_weight'].fillna(merged_df['nationality_code'])

# 可选：删除合并后新增的冗余列
merged_df.drop(['code', 'risk_weight'], axis=1, inplace=True)

这两种方法都能一次性处理所有国家代码，效率远高于手动编写mask语句，完全适配100+个代码的场景。

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