如何高效基于另一个数据集的值修改目标数据集的数值

现有两个DataFrame：
df1结构如下：

ID  Score
 A     NA
 A     NA
 B     NA
 B     NA
 B     NA
 B     NA
 C     NA
 C     NA

df2结构如下：

Name Score
   A    70
   B    54
   C    99

需要得到df3，要求完全保留df1的行结构（A、B、C的出现次数不变），把对应ID的Score从df2中填充进去，最终效果：

ID  Score
 A     70
 A     70
 B     54
 B     54
 B     54
 B     54
 C     99
 C     99

原本用for循环遍历df1查找对应值，但数据集行数极多，效率太低，需要高效实现。

方法1：用map()快速映射 #

先把df2转换成ID对应Score的字典，再用df1的ID列直接映射填充，全程矢量化操作，效率远超循环：

import pandas as pd

# 构建示例数据（实际使用时替换成你的数据集）
df1 = pd.DataFrame({'ID': ['A', 'A', 'B', 'B', 'B', 'B', 'C', 'C'], 'Score': [pd.NA]*8})
df2 = pd.DataFrame({'Name': ['A', 'B', 'C'], 'Score': [70, 54, 99]})

# 把df2转成字典：键是Name，值是对应的Score
score_dict = df2.set_index('Name')['Score'].to_dict()

# 用ID列映射字典，直接替换Score列
df1['Score'] = df1['ID'].map(score_dict)

# 此时df1就是你要的df3
print(df1)

方法2：用merge()左连接匹配 #

通过左连接保留df1的所有行，自动匹配对应ID的Score值，同样高效：

# 左连接，根据ID和Name匹配，保留df1的所有行
df3 = df1.merge(df2, left_on='ID', right_on='Name', how='left')
# 清理列：删除多余的Name列，把合并后的Score_y重命名为Score
df3 = df3.drop(columns=['Name']).rename(columns={'Score_y': 'Score'})

print(df3)

内容的提问来源于stack exchange，提问作者TIC-FLY