如何基于另一DataFrame匹配填充df中Cup列的NaN值？

我有两个DataFrame：df和dfcup。df的Cup列部分行存在NaN值。dfcup是通过执行dfcup = df.groupby(['Height','Weight','Cup']).size().reset_index().rename(columns={0:'count'})得到的，用于统计Height、Weight和Cup组合的出现次数。我的需求是根据Height和Weight进行匹配，用dfcup中对应的首个Cup值填充df中Cup列的NaN值，例如身高65.0、体重130.0的行，将NaN替换为dfcup中的"B"。请问是否可以用for循环或类似方法实现？

方法一：使用for循环实现 #

可以用for循环实现，不过这种方式在处理大数据集时效率较低，适合小数据场景：

1. 先基于dfcup构建一个匹配字典，键为(Height, Weight)组合，值为对应分组的首个Cup值：

# 按Height、Weight分组，提取每组第一个Cup值并转为字典
cup_mapping = dfcup.groupby(['Height', 'Weight'])['Cup'].first().to_dict()

2. 遍历df中Cup为NaN的行，通过字典匹配填充：

for idx, row in df[df['Cup'].isna()].iterrows():
    match_key = (row['Height'], row['Weight'])
    if match_key in cup_mapping:
        df.loc[idx, 'Cup'] = cup_mapping[match_key]

方法二：高效的Pandas内置方法（推荐） #

更推荐使用Pandas原生的合并与填充方法，避免逐行遍历的性能损耗：

1. 从dfcup中生成每个(Height, Weight)对应的首个Cup匹配表：

# 分组提取首个Cup值，生成匹配表
cup_match_table = dfcup.groupby(['Height', 'Weight'])['Cup'].first().reset_index(name='Fill_Cup')

2. 将原df与匹配表左连接，用匹配到的值填充NaN：

# 左连接保留原df所有行
df = df.merge(cup_match_table, on=['Height', 'Weight'], how='left')
# 填充Cup列的NaN值
df['Cup'] = df['Cup'].fillna(df['Fill_Cup'])
# 清理临时列（可选）
df = df.drop(columns=['Fill_Cup'])

内容的提问来源于stack exchange，提问作者mhelvajian