基于DataFrame2条件从DataFrame1提取值并填充（Pandas Python续篇）

首先，我注意到你的df2中P1列是字符串类型（比如'0'），而df1的P1是整数类型，这会导致直接匹配失败，所以第一步需要先统一数据类型，再进行匹配提取。

下面提供两种高效的实现方法，都能得到你期望的结果：

方法一：使用pd.merge（最直观的多列匹配方式） #

merge是pandas中专门用于合并DataFrame的工具，非常适合这种基于多键匹配的场景：

import pandas as pd

# 初始化你的df1
data1 = {'HJ':[5,11,21,99,15], 'P1':[51,66,7,0,11] ,'P2':[ 33,45,55 ,76 ,42]}
df1 = pd.DataFrame(data1)

# 初始化你的df2
data2 = {'HJ':[99,11,5,21,11], 'P1':['0','66','51','7','66']}
df2 = pd.DataFrame(data2)

# 第一步：统一P1列的数据类型（将df2的P1转为整数）
df2['P1'] = df2['P1'].astype(int)

# 第二步：基于HJ和P1两列匹配，合并df1的P2列到df2
df2 = df2.merge(df1[['HJ', 'P1', 'P2']], on=['HJ', 'P1'], how='left').rename(columns={'P2': 'Ans'})

print(df2)

运行后输出的结果就是你期望的：

HJ  P1  Ans
0  99   0   76
1  11  66   45
2   5  51   33
3  21   7   55
4  11  66   45

方法二：使用set_index + map（更灵活的映射方式） #

如果你希望更灵活地处理映射关系，可以把df1的HJ和P1设置为复合索引，然后用map来匹配取值：

import pandas as pd

# 初始化数据（同上）
data1 = {'HJ':[5,11,21,99,15], 'P1':[51,66,7,0,11] ,'P2':[ 33,45,55 ,76 ,42]}
df1 = pd.DataFrame(data1)
data2 = {'HJ':[99,11,5,21,11], 'P1':['0','66','51','7','66']}
df2 = pd.DataFrame(data2)

# 统一数据类型
df2['P1'] = df2['P1'].astype(int)

# 创建复合索引的映射系列
p2_map = df1.set_index(['HJ', 'P1'])['P2']

# 给df2添加Ans列，通过映射取值
df2['Ans'] = df2.apply(lambda row: p2_map[(row['HJ'], row['P1'])], axis=1)

print(df2)

这个方法同样会得到和上面一致的结果，适合需要自定义映射逻辑的场景。

关键注意点 #

• 数据类型统一：一定要确保匹配的列（这里是HJ和P1）在两个DataFrame中的类型一致，否则会出现匹配不到的情况。
• 匹配方式：merge的how='left'参数保证了df2的所有行都会被保留，即使没有匹配到（这种情况会显示NaN，但你的示例中所有行都能匹配到）。

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