索引不一致时，基于C0列对齐对DataFrame列执行减法的最优方法

用pandas的merge左连接结合列计算是最高效的方案，既避免低效循环，又能精准处理匹配逻辑，步骤如下：

步骤说明 #

1. 从df2中提取C0和C1列，重命名C1列避免合并后列名冲突
2. 将处理后的df2与df1做左连接，确保保留df1的所有行
3. 根据连接结果计算diff_C1和match列
4. 清理临时列，得到最终结果

完整代码示例 #

import pandas as pd

# 构造原始DataFrame（原数据中的点为排版问题，实际列名无点）
df1 = pd.DataFrame({
    'C0': ['AB', 'AC', 'AD', 'AE', 'AG'],
    'C1': [1, 7, 9, 2, 8],
    'C2': [2, 8, 9, 6, 9]
}, index=[4,5,6,7,8])

df2 = pd.DataFrame({
    'C0': ['AB', 'AE', 'AD'],
    'C1': [0, 6, 1],
    'C2': [1, 3, 2]
}, index=[8,9,10])

# 1. 提取df2的关键列并重命名
df2_sub = df2[['C0', 'C1']].rename(columns={'C1': 'C1_df2'})

# 2. 左连接保留df1所有行
merged = df1.merge(df2_sub, on='C0', how='left')

# 3. 计算目标列
merged['diff_C1'] = merged['C1'] - merged['C1_df2']
merged['diff_C1'] = merged['diff_C1'].fillna(0)  # 未匹配项填充0
merged['match'] = merged['C1_df2'].notna()  # 判断是否匹配

# 4. 清理临时列得到最终结果
df1_final = merged.drop(columns=['C1_df2'])

print(df1_final)

输出结果 #

C0  C1  C2  diff_C1  match
4   AB   1   2      1.0   True
5   AC   7   8      0.0  False
6   AD   9   9      8.0   True
7   AE   2   6     -4.0   True
8   AG   8   9      0.0  False

方案优势 #

• merge是pandas底层优化的关联操作，比手动循环效率高数倍，适配大数据量场景
• 左连接天然保留df1原有行结构，无需额外处理索引对齐问题
• 用notna()和fillna()处理匹配状态与空值，逻辑清晰代码简洁

内容的提问来源于stack exchange，提问作者Cranjis