如何将字典值匹配DataFrame索引添加至新列

逐行检查索引匹配再添加确实会非常慢，尤其是当你的DataFrame包含大量行时。Python的循环本身就有不小的开销，再加上逐行执行索引匹配和赋值操作，会让整体时间复杂度飙升到O(n)以上，远不如Pandas内置的矢量化操作高效。

最优解决方案（简洁且高效） #

因为你的DataFrame索引和字典键完全一致，直接利用Pandas的索引对齐特性就能完成添加，这是底层优化过的矢量化操作，效率远超循环：

import pandas as pd

# 示例字典与DataFrame
my_dict = {'a': 1, 'b': 4, 'c': 7}
df = pd.DataFrame({'existing_column': [10, 20, 30]}, index=['a', 'b', 'c'])

# 直接添加新列，自动按索引匹配
df['new_column'] = pd.Series(my_dict)

执行后你的DataFrame会新增一列，值完全对应字典的内容，整个过程几乎没有额外开销。

为什么不推荐逐行处理？ #

如果用逐行循环的方式实现，代码大概是这样：

# 不推荐的低效写法
df['new_column_loop'] = 0
for idx in df.index:
    df.loc[idx, 'new_column_loop'] = my_dict[idx]

这种方式在数据量小的时候差异不明显，但当DataFrame行数达到几万甚至几十万时，循环的叠加开销会让运行时间急剧增加——每次loc操作都要单独做索引查找，远不如一次性的矢量化映射高效。

总结 #

• 逐行匹配添加的方式完全没必要，效率极低
• 直接用pd.Series(my_dict)赋值是最优选择，既简洁又能利用Pandas的性能优化

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