如何在df2的column1与df1的column1值匹配时选取df2的column2值？

先看示例数据，方便理解操作：

import pandas as pd

# 示例df1
df1 = pd.DataFrame({
    "column1": ["A", "B", "C", "D"],
    "other_col": [1, 2, 3, 4]
})

# 示例df2
df2 = pd.DataFrame({
    "column1": ["B", "C", "E", "F"],
    "column2": ["x", "y", "z", "w"]
})

针对你的需求：匹配df1和df2的column1，取df2的column2值 #

这里有两种实用方法：

方法1：用merge合并匹配 #

适合需要保留df1原有列的场景，合并后直接提取目标列：

# 只保留df2的关联列和目标列，避免合并后列名冲突
merge_result = df1.merge(df2[["column1", "column2"]], on="column1", how="left")
# merge_result里的column2就是匹配到的df2对应值，未匹配的行显示NaN

• how="left"表示保留df1的所有行，要是只想保留两边都匹配到的行，换成how="inner"即可。

方法2：用map映射取值 #

适合只需要提取目标值的场景，效率更高：

# 把df2的column1和column2转成键值对字典
col2_mapping = df2.set_index("column1")["column2"].to_dict()
# 给df1新增一列，填入匹配到的df2 column2值
df1["matched_column2"] = df1["column1"].map(col2_mapping)

通用思路：跨DataFrame列匹配取值 #

本质就是建立两列的关联映射，核心方法两种：

• 合并法（merge）：适合需要保留原表多列的场景，通过on指定关联列，how控制匹配范围，合并后直接选取目标列。
• 映射法（map/dict）：适合仅提取目标值的场景，先将关联列和目标列转成字典（或Series），再用map快速匹配赋值。

注意点 #

• 如果df2的column1有重复值，merge会生成多行结果，map则会取最后一次出现的对应值，提前处理重复值更稳妥。
• 未匹配到的值默认用NaN填充，可通过fillna()设置默认值，比如df1["matched_column2"] = df1["column1"].map(col2_mapping).fillna("无匹配")

内容的提问来源于stack exchange，提问作者khayyam didar