在Jupyter中为行数不同的两个DataFrame按Id匹配填充Price列

你的嵌套循环写法不仅效率极低（1000行×30行会做3万次判断），还存在语法错误——for i in nop遍历的是DataFrame的列名而非行索引，实际运行会报错。用pandas内置的向量化操作能轻松解决这个问题，推荐两种简便高效的方法：

方法一：merge合并（直观易读） #

先删除nop中原有空Price列，再按Id列做左连接，保留nop所有行的同时匹配对应Price值：

# 删除原有空Price列
nop.drop('Price', axis=1, inplace=True)
# 按Id左连接，仅关联pricing的Id和Price列
nop = nop.merge(pricing[['Id', 'Price']], on='Id', how='left')
# 对匹配不到的Id，将Price填充为空字符串（按需调整）
nop['Price'] = nop['Price'].fillna('')

方法二：map字典映射（简洁高效） #

先把pricing转换成Id到Price的映射字典，再用map方法快速填充：

# 构建Id与Price的映射字典
price_map = pricing.set_index('Id')['Price'].to_dict()
# 批量填充nop的Price列
nop['Price'] = nop['Id'].map(price_map)
# 匹配不到的Id填充空字符串
nop['Price'] = nop['Price'].fillna('')

这两种方法都是pandas原生的向量化操作，比嵌套循环效率高几十倍以上，数据量越大优势越明显。

内容的提问来源于stack exchange，提问作者marky