如何基于另一DataFrame将Pandas列的类别映射为对应值？

这是WOE编码（Weight of Evidence）场景里很典型的需求，我给你两种实用的Pandas实现方案，都能完美得到你想要的结果：

第一步：先模拟你的数据（方便测试） #

首先我们先把你描述的两个DataFrame用代码创建出来，这样你可以直接运行验证：

import pandas as pd

# 原始分类DataFrame
df_categories = pd.DataFrame({
    'var1': ['A', 'B', 'C'],
    'var2': ['x', 'y', 'z']
})

# 存储WOE权重的DataFrame
df_woe_weights = pd.DataFrame({
    'var_name': ['var1', 'var1', 'var1', 'var2', 'var2', 'var2'],
    'category': ['A', 'B', 'C', 'x', 'y', 'z'],
    'value': [0.2, 0.3, 0.4, 0.8, 0.9, 1]
})

方案一：逐列使用merge匹配（适合列数少的场景） #

这种方法逻辑直观，逐列将分类值和对应的WOE权重关联：

# 先处理var1，将原DataFrame的var1和WOE表中var1的记录匹配
df_result = df_categories.merge(
    df_woe_weights[df_woe_weights['var_name'] == 'var1'],
    left_on='var1',
    right_on='category',
    how='left'
).rename(columns={'value': 'var1'})[['var1']]

# 再处理var2，同样匹配并合并到结果中
df_result = df_result.merge(
    df_woe_weights[df_woe_weights['var_name'] == 'var2'],
    left_index=True,
    right_on='category',
    left_on=df_categories['var2'],
    how='left'
).rename(columns={'value': 'var2'})[['var1', 'var2']]

说明：使用how='left'可以保证原DataFrame的行顺序完全保留，同时如果有匹配不到的分类值，会填充NaN，方便后续排查数据问题。

方案二：构建WOE字典后批量map（适合列数多的场景） #

这种方法更高效且扩展性强，先把每个变量的WOE规则做成字典，再批量替换：

# 按变量名分组，构建{变量名: {分类: WOE值}}的嵌套字典
woe_mapping = {}
for var_name in df_woe_weights['var_name'].unique():
    # 提取当前变量的所有分类和对应WOE值，转成字典
    var_woe = df_woe_weights[df_woe_weights['var_name'] == var_name]
    woe_mapping[var_name] = var_woe.set_index('category')['value'].to_dict()

# 对原DataFrame的每一列，用对应的WOE字典映射替换
df_result = df_categories.apply(lambda column: column.map(woe_mapping[column.name]))

说明：这个方案不需要针对每一列写重复代码，就算后续新增更多分类列，只要WOE表的格式不变，代码不用修改。如果遇到原DataFrame中有WOE字典里没有的分类，map会返回NaN，你可以用fillna()设置默认值，或者提前清理数据。

最终结果 #

两种方案运行后都会得到你想要的结果：

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