如何基于后缀值合并无共同列的两个Pandas DataFrame？

我有两个从CSV文件导入的DataFrame：

df1（结构示例）：

1, 204c, 204s
2, 205c, 205s
3, ..., ...

df2（结构示例）：

204c, 1000
205c, 3000
..., ...
..., ...
204s, 4000
205s, 5000

我希望基于末尾的c、s值将df2合并到df1，得到如下结构的df3：

204c, 1000, 204s, 4000
205c, 3000, 205s, 5000

试过df1.merge(df2, how='cross')得到全量笛卡尔积，不符合预期；用pd.concat([df1,df2], axis=1)又会出现NaN，没正确匹配c/s对应关系。

可以通过分步匹配+列重组实现需求，以下两种方法都能达到目标：

方法一：分步合并后拼接 #

1. 先给df2指定列名（若导入时未设置）：

import pandas as pd

# 假设df2导入后无列名，手动指定
df2.columns = ['code', 'value']

2. 分别将df1的c列、s列与df2匹配，提取对应数值：

# 匹配c列对应的value
df_c = df1.merge(df2, left_on='你的c列名', right_on='code', how='left').rename(columns={'value': 'c_value'})
# 匹配s列对应的value
df_s = df1.merge(df2, left_on='你的s列名', right_on='code', how='left').rename(columns={'value': 's_value'})

注：把你的c列名和你的s列名替换成df1中对应204c、204s的实际列名

3. 提取目标列拼接成df3：

df3 = pd.concat([
    df_c['你的c列名'], df_c['c_value'],
    df_s['你的s列名'], df_s['s_value']
], axis=1)

方法二：字典映射法（更高效） #

直接把df2转成字典，通过映射快速匹配数值，适合数据量较大的场景：

# 将df2转为code:value的字典
code_value_map = df2.set_index('code')['value'].to_dict()

# 给df1新增c、s对应的数值列
df1['c_value'] = df1['你的c列名'].map(code_value_map)
df1['s_value'] = df1['你的s列名'].map(code_value_map)

# 提取需要的列组成目标df3
df3 = df1[['你的c列名', 'c_value', '你的s列名', 's_value']]

两种方法最终输出的df3都会和你期望的结构一致。

内容的提问来源于stack exchange，提问作者Jackson tse