如何基于键值从另一DataFrame匹配MODE值并填充目标DataFrame

你之前的pd.merge失败是因为仅通过Area-ID匹配，而每个Area-ID在df1中对应多个不同Series的MODE值，无法直接对应到df2的900/1800/2100列。Excel的VLOOKUP本质是用Area-ID+Series的复合键匹配，Python里需要复刻这个逻辑。

以下两种方法均适合大数据量场景，高效实现需求：

方法一：透视df1后合并（推荐，性能更优） #

先把df1转成与df2结构匹配的宽表，再合并填充：

# 1. 从Area-ID-Series字段拆分出Series值（若df1无单独Series列）
# 假设Area-ID-Series格式为"AreaID-900"这类，用'-'分隔
df1['Series'] = df1['Area-ID-Series'].str.split('-').str[-1]

# 2. 将df1按Area-ID分组，把Series转成列，填充MODE值，缺失值设为'-'
df1_pivot = df1.pivot(
    index='Area-ID',
    columns='Series',
    values='MODE'
).fillna('-')

# 3. 确保列名与df2一致（比如df2的列是字符串'900'还是数字900，统一格式）
df1_pivot.columns = df1_pivot.columns.astype(str)

# 4. 和df2合并，用Area-ID匹配，保留df2原有结构
df_result = df2.merge(df1_pivot, on='Area-ID', how='left')
# 若df2原有列有值，想保留原有值、仅填充空值，用combine_first：
# df_result = df2.set_index('Area-ID').combine_first(df1_pivot).reset_index()

方法二：用复合键字典逐列映射 #

如果需要更灵活的控制，可创建复合键映射逐列填充：

# 1. 创建(Area-ID, Series)到MODE的映射字典
# 若df1无单独Series列，先拆分：
df1['Series'] = df1['Area-ID-Series'].str.split('-').str[-1]
mode_map = df1.set_index(['Area-ID', 'Series'])['MODE'].to_dict()

# 2. 遍历df2的Series列，逐个填充
for col in ['900', '1800', '2100']:  # 列名根据实际情况调整类型
    df2[col] = df2.apply(
        lambda row: mode_map.get((row['Area-ID'], col), '-'),
        axis=1
    )

内容的提问来源于stack exchange，提问作者Algo Rithm