Pandas中对比两个DataFrame，为缺失列填充0值的实现方法

针对你的需求，这里提供几种简单可行的方法，替代不适用的map方法：

方法一：用reindex快速补全列 #

直接以df1的列集合为目标，对df2重新索引，缺失的列自动填充0：

target_columns = df1.columns
df2 = df2.reindex(columns=target_columns, fill_value=0)

这个方法一步到位，会自动对齐现有列，同时补上所有df1有但df2没有的列，值全部设为0。

方法二：手动识别缺失列再添加 #

先筛选出df1中存在但df2缺失的列，再逐个添加并赋值0：

# 找出缺失的列
missing_columns = [col for col in df1.columns if col not in df2.columns]
# 批量添加列并填充0
for col in missing_columns:
    df2[col] = 0

这种方式逻辑清晰，适合需要对缺失列做额外自定义操作的场景（比如这里只是填0，操作非常简单）。

方法三：用concat结合fillna补全 #

通过合并空DataFrame的方式补全列，再填充0：

import pandas as pd
# 创建一个列名与df1一致的空DataFrame
empty_template = pd.DataFrame(columns=df1.columns)
# 合并后填充缺失值
df2 = pd.concat([df2, empty_template], axis=0).fillna(0).reset_index(drop=True)

注：合并后记得用reset_index重置索引，避免出现重复索引问题。

为什么map方法不行？ #

map主要用于Series的元素级映射，或是DataFrame中按行/列的元素转换，它的设计目的不是添加新列，所以用它来处理列缺失的场景从根本上就不适用，自然无法得到预期结果。

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