Python Pandas实现类Excel SUMIF功能：更优雅高效的替代方法

这里推荐两种简洁高效的方式，避免繁琐的合并操作：

方法1：groupby + map（最简洁直接） #

先计算第二个DataFrame中每个名称对应的Z列求和结果，再通过映射直接填充到第一个DataFrame的C列：

import pandas as pd

# 初始化示例数据
df1 = pd.DataFrame({'A': [1,2,3], 'B': ['John','Mike','David'], 'C': [None, None, None]})
df2 = pd.DataFrame({'X': [1,2,3,4,5], 'Y': ['Mike','Mike','John','David','David'], 'z': [100,200,300,400,500]})

# 计算每个Y对应的z列总和
name_sum = df2.groupby('Y')['z'].sum()

# 映射填充C列
df1['C'] = df1['B'].map(name_sum)

运行后df1就会得到你想要的结果。这种方式无需合并操作，直接通过列值映射完成赋值，代码更简洁，逻辑清晰，且对于大数据集的效率优于合并（避免了合并时的索引对齐开销）。

如果需要处理df1中存在df2没有的名称的情况，可以保留原C列值：

df1['C'] = df1['B'].map(name_sum).fillna(df1['C'])

方法2：transform 配合合并（可选） #

如果偏好使用合并逻辑，也可以用transform提前在df2中生成求和列，再做合并（比先分组再合并更紧凑）：

# 给df2添加每个Y对应的求和列
df2['sum_z'] = df2.groupby('Y')['z'].transform('sum')

# 合并后去重并赋值
df1 = df1.merge(df2[['Y','sum_z']].drop_duplicates(), left_on='B', right_on='Y', how='left').drop('Y', axis=1).rename(columns={'sum_z':'C'})

不过这种方式不如第一种简洁，更适合需要保留df2其他信息的场景。

内容的提问来源于stack exchange，提问作者MDJ