如何利用列列表实现Pandas Vlookup式合并并填充重复列

方法一：用update批量填充（推荐） #

这个方法直接匹配ID和列名，用df2的值覆盖/填充df1对应列，不会生成重复列，适合批量处理多列：

# 从df2提取需要的列，把ID设为索引方便匹配
df2_subset = df2[['ID'] + look_up_cols].set_index('ID')

# 临时将df1设为ID索引，执行更新后恢复ID为普通列
df1 = df1.set_index('ID')
df1.update(df2_subset)
df1 = df1.reset_index()

• 注：update会用df2的非NaN值覆盖df1对应位置的值；如果df1的ID在df2中不存在，该行对应列的值保持不变。

方法二：修复你的循环map逻辑 #

你之前的map返回NaN是因为字典构建错误，要为每个列单独创建ID到值的映射：

for col in look_up_cols:
    # 构建当前列的ID-值字典
    lookup_dict = df2.set_index('ID')[col].to_dict()
    # 用df1的ID匹配字典值，填充对应列
    df1[col] = df1['ID'].map(lookup_dict)

• 如果只想填充df1中的空值而非全部替换，改成：

  df1[col] = df1[col].fillna(df1['ID'].map(lookup_dict))
  

为什么你之前的merge方法失效？ #

你写的df2[['ID', [look_up_cols]]]有语法错误，正确写法是df2[['ID'] + look_up_cols]。即便修正语法，merge会给重复列自动加后缀（如col_x/col_y），需要手动合并，步骤繁琐：

merged_df = pd.merge(df1, df2[['ID'] + look_up_cols], on='ID', how='left', suffixes=('', '_y'))
# 手动合并重复列
for col in look_up_cols:
    if f"{col}_y" in merged_df.columns:
        merged_df[col] = merged_df[col].fillna(merged_df[f"{col}_y"])
        merged_df.drop(f"{col}_y", axis=1, inplace=True)
df1 = merged_df

显然这种方法不如update简洁高效。

内容的提问来源于stack exchange，提问作者tonytone