如何从df_1匹配id_1/id_2，将对应value值填入df_2？

原始DataFrame定义 #

df_1的定义与数据 #

import pandas as pd

df_1 = pd.DataFrame(
    {
        "id_1": [1, 1, 2, 2],
        "id_2": [11, 11, 22, 22],
        "value_1": [0.1, 0.1, 0.01, 0.01],
        "value_2": [0.2, 0.2, 0.02, 0.02],
        "value_3": [0.3, 0.3, 0.03, 0.03],
    }
)

数据展示：

id_1  id_2  value_1  value_2  value_3
 0     1    11     0.10     0.20     0.30
 1     1    11     0.10     0.20     0.30
 2     2    22     0.01     0.02     0.03
 3     2    22     0.01     0.02     0.03

df_2的定义与数据 #

df_2 = pd.DataFrame(
    {
        "id_1": [1, 1, 1, 1, 2, 2, 2, 2],
        "id_2": [11, 11, 11, 11, 22, 22, 22, 22],
        "value_name": [
            "value_1",
            "value_2",
            "value_3",
            "value_1",
            "value_1",
            "value_2",
            "value_3",
            "value_1",
        ],
    }
)

数据展示：

id_1  id_2 value_name
 0     1    11    value_1
 1     1    11    value_2
 2     1    11    value_3
 3     1    11    value_1
 4     2    22    value_1
 5     2    22    value_2
 6     2    22    value_3
 7     2    22    value_1

需求 #

根据id_1和id_2的匹配关系，从df_1中获取value_name列指定的value值，填充到df_2中，最终得到包含value列的目标DataFrame。

解决方案 #

方法一：宽表转长表后合并 #

先对df_1去重（同一id_1+id_2组合的value值完全重复），再将df_1从宽格式转换为长格式，最后与df_2合并：

# 去重，保留每个id组合的唯一值
df_1_unique = df_1.drop_duplicates(subset=['id_1', 'id_2'])
# 转长表，将value_1/2/3列转为value_name和value的键值对
df_1_melted = df_1_unique.melt(
    id_vars=['id_1', 'id_2'],
    var_name='value_name',
    value_name='value'
)
# 合并df_2和转换后的df_1，得到结果
result = pd.merge(df_2, df_1_melted, on=['id_1', 'id_2', 'value_name'], how='left')

方法二：合并后按列名提取值 #

先合并df_2与去重后的df_1，再通过value_name列的值动态提取对应列的value：

# 去重df_1并与df_2合并
merged_df = pd.merge(df_2, df_1.drop_duplicates(subset=['id_1', 'id_2']), on=['id_1', 'id_2'], how='left')
# 根据value_name提取对应列的数值
merged_df['value'] = merged_df.apply(lambda row: row[row['value_name']], axis=1)
# 保留需要的列
result = merged_df[['id_1', 'id_2', 'value_name', 'value']]

两种方法均可得到目标结果，方法一性能更优（尤其数据量较大时），避免了逐行apply的开销。

内容的提问来源于stack exchange，提问作者ajrlewis