如何用Python按行列匹配将主DataFrame值映射到辅助DataFrame？

核心思路是按列（对应辅助DataFrame的category）构建专属映射字典，避免同一answer跨category的冲突，同时实现无硬编码的批量替换，适配列和取值的动态变化。

步骤1：构建分类映射字典 #

先将辅助DataFrame转换为以category为键、每个键对应answer: value映射的嵌套字典，这样主DataFrame的每一列（列名=category）都能直接匹配到对应的替换规则：

import pandas as pd

# 基于辅助DataFrame构建分类映射
aux_mapping = auxiliary_df.groupby('category').apply(
    lambda grp: grp.set_index('answer')['value'].to_dict()
).to_dict()

步骤2：批量替换主DataFrame的取值 #

利用apply遍历主DataFrame的每一列，根据列名从映射字典中获取对应规则，用replace完成替换（矢量化操作，远快于逐行遍历）：

# 批量替换所有列的取值
main_df = main_df.apply(lambda col: col.replace(aux_mapping.get(col.name, {})))

示例验证 #

假设我们有以下测试数据：

# 示例辅助DataFrame
auxiliary_df = pd.DataFrame({
    'category': ['A', 'A', 'B', 'B'],
    'answer': ['yes', 'no', 'yes', 'no'],
    'value': [1, 0, 2, 1]
})

# 示例主DataFrame
main_df = pd.DataFrame({
    'A': ['yes', 'no', 'yes'],
    'B': ['no', 'yes', 'no']
})

执行替换后，主DataFrame会变成：

补充处理（可选） #

如果需要对未匹配到的answer做特殊处理（比如替换为NaN或默认值），可以改用map结合fillna：

# 未匹配的answer保留原值，或替换为其他值（将fillna参数改为你需要的内容即可）
main_df = main_df.apply(
    lambda col: col.map(aux_mapping.get(col.name, {})).fillna(col)
)

为什么之前的字典映射失败？ #

你之前的尝试大概率是只构建了answer: value的单层字典，忽略了category（主DataFrame列名）的维度，导致同一answer在不同分类下的value冲突。现在的方案通过分类嵌套字典，确保每一列都使用专属的替换规则，彻底解决了这个问题。

内容的提问来源于stack exchange，提问作者user19393532