基于Pandas默认索引实现两个数据集的搜索替换方法

我来帮你解决这个问题，核心思路是把df1里的每个值当作df2的默认索引，提取df2对应位置的数值来替换，下面是具体实现步骤：

1. 先还原你的数据集 #

首先我们先创建出你描述的两个DataFrame：

import pandas as pd

# 构建df1
df1 = pd.DataFrame({
    'id1': [1, 3],
    'id2': [2, 4],
    'id3': [3, 5],
    'id4': [4, 6]
})

# 构建df2
df2 = pd.DataFrame({
    'id_df2': [500, 1000, 2000, 3000, 4000, 5000, 6000]
})

2. 两种高效的替换方法 #

方法一：用replace配合字典映射（推荐，适合大数据集） #

我们可以把df2转换成「索引: 对应值」的字典，然后用Pandas的replace方法批量替换df1里的所有匹配值：

# 将df2的默认索引和id_df2列转换为字典
mapping = df2['id_df2'].to_dict()
# 执行替换
result = df1.replace(mapping)

运行后得到的结果：

id1   id2   id3   id4
0  1000  2000  3000  4000
1  3000  4000  5000  6000

方法二：用applymap逐元素映射（逻辑直观，适合小数据集） #

如果你想更直观地看到逐元素的替换逻辑，可以用applymap遍历df1的每个元素，从df2中提取对应索引的值：

result = df1.applymap(lambda x: df2['id_df2'].iloc[x])

这个方法和方法一得到的结果完全一致，只是对于大规模数据来说，性能会比replace稍差一些。

补充说明 #

你给出的期望结果里最后一个值是5000，这应该是笔误（因为df1里的6对应df2索引6的6000），如果确实需要把6替换成5000，可以在映射字典里单独修改：

mapping[6] = 5000
result = df1.replace(mapping)

这样就能得到你想要的最终结果了。

内容的提问来源于stack exchange，提问作者Django0602