Pandas按Name分组匹配Price1与Price2，将对应answer填充至新列

问题场景 #

给定如下DataFrame，需要按Name列分组，找到每组中Price1与Price2相等的行，将该行的answer值填充到同组所有行的新列result中。

原始数据代码：

import pandas as pd

d = {
    'Name': ['Cat', 'Cat', 'Dog', 'Dog'],
    'Price1': [2, 1, 10, 3],
    'Price2': [5, 1, 7, 3],
    'answer': ['A', 'B', 'C', 'D']
}

data = pd.DataFrame(data=d)

原始数据结构：

期望结果：

0    B
1    B
2    D
3    D
Name: result, dtype: object

错误原因分析 #

1. 第一种写法报错ValueError: Can only compare identically-labeled Series objects：

   data.groupby('itemName')['Price1'].transform(lambda x: data['answer'][x==data['Price2']])
   

   问题出在x==data['Price2']：x是分组后的Price1子Series，和全局的data['Price2']索引不匹配，无法直接比较。

2. 第二种写法仅匹配行有值，其余为NaN：

   data.groupby('itemName')['Price1'].transform(lambda x: data['answer'][data['Price1']==data['Price2']])
   

   这里是全局判断Price1==Price2，只给匹配行赋值，没有将值广播到同组的其他行。

正确解决方案 #

方法1：构建映射字典（高效简洁）

先筛选出所有Price1==Price2的行，构建Name到对应answer的映射字典，再通过map填充整列：

# 构建Name与匹配answer的映射
match_dict = data[data['Price1'] == data['Price2']].set_index('Name')['answer'].to_dict()
# 填充result列
data['result'] = data['Name'].map(match_dict)

方法2：分组广播（适合复杂分组逻辑）

通过groupby.apply在每组内找到匹配的answer，并赋值给整组：

data['result'] = data.groupby('Name').apply(
    lambda group: group.assign(result=group[group['Price1'] == group['Price2']]['answer'].iloc[0])
)['result']

方法3：transform直接处理

利用transform传入组对象，提取匹配值并广播：

data['result'] = data.groupby('Name').transform(
    lambda g: g['answer'][g['Price1'] == g['Price2']].iloc[0]
)['answer']

最终结果 #

执行任意一种方法后，data['result']都会得到期望的输出：

0    B
1    B
2    D
3    D
Name: result, dtype: object

内容的提问来源于stack exchange，提问作者jojokids