如何用一个Pandas DataFrame的值作为另一个的列名且无需循环？

当然可以！完全不用写繁琐的逐日期/列循环，用Pandas的向量式操作就能高效搞定这个映射需求，而且代码简洁易懂。

先帮你把示例数据整理成可直接运行的代码，方便测试：

import pandas as pd

# 创建示例df1
df1 = pd.DataFrame({
    'Date': ['2003-01-31', '2003-02-28', '2003-03-31'],
    0: ['CA', 'CA', 'CA'],
    1: ['KY', 'KY', 'KY'],
    2: ['ID', 'HI', 'CO'],
    3: ['CO', 'CO', 'HI']
})

# 创建示例df2
df2 = pd.DataFrame({
    'Date': ['2003-01-31', '2003-02-28', '2003-03-31'],
    'CA': [5, 2, 6],
    'KY': [3, 7, 3],
    'ID': [4, 8, 9],
    'CO': [5, 4, 3],
    'HI': [1, 5, 5]
})

方法1：简洁直观的行匹配法 #

适合中小规模数据，代码一眼就能看懂：

# 将Date设为索引，方便按日期匹配df2的对应行
result = df1.set_index('Date').apply(
    lambda row: df2.set_index('Date').loc[row.name][row],
    axis=1
).reset_index()

# 恢复原df1的列名格式
result.columns = ['Date', 0, 1, 2, 3]

原理说明 #

• df1.set_index('Date')把日期设为索引，让每一行的row.name就是当前日期
• df2.set_index('Date').loc[row.name]直接取出df2中对应日期的所有州数值
• 最后用当前行的州代码列表（row）作为索引，一次性取出所有对应数值，这一步是向量式操作，不是逐元素循环

方法2：纯向量式的长格式转换法 #

适合大规模数据，全程无隐性循环，效率拉满：

# 把df1转成长格式：拆分出「日期、列序号、州代码」
df1_long = df1.melt(id_vars='Date', var_name='col', value_name='state')
# 把df2转成长格式：拆分出「日期、州代码、对应数值」
df2_long = df2.melt(id_vars='Date', var_name='state', value_name='value')
# 按「日期+州代码」合并，匹配对应数值
merged = df1_long.merge(df2_long, on=['Date', 'state'])
# 转回宽格式，恢复原df1的结构
result = merged.pivot(index='Date', columns='col', values='value').reset_index()
# 调整列名和顺序，和原df1一致
result.columns = ['Date', 0, 1, 2, 3]

原理说明 #

通过melt把两个宽表转成结构一致的长表，用merge完成批量匹配，最后用pivot转回宽表，全程都是Pandas的内置向量操作，完全规避了循环，处理大数据时性能优势明显。

最终输出结果 #

运行上述任意一种方法，都会得到你需要的DataFrame：

Date  0  1  2  3
0  2003-01-31  5  3  4  5
1  2003-02-28  2  7  5  4
2  2003-03-31  6  3  3  5

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