基于Code列匹配从另一DataFrame添加MLC Code列（求低时间复杂度方案）

你的嵌套循环方案时间复杂度是O(len(df2)*len(df1))，数据量一大必然卡顿。Pandas提供了原生的向量化操作和索引优化方案，能把时间复杂度降到接近线性的水平，下面分两种场景给出解决方案：

场景1：不限制匹配次数（所有匹配的Code都对应MLC值） #

这种情况用map方法最高效，先把df1转换成Code到MLC Code的字典，再直接映射到df2：

import pandas as pd

# 构造示例数据
df1 = pd.DataFrame({'Code': [1,2,8,4], 'MLC Code': [8,66,62,66]})
df2 = pd.DataFrame({'Code': [1,2,3,4,4,8]})

# 构建Code到MLC Code的映射字典（若df1有重复Code，会保留最后一条的MLC值）
code_mlc_map = df1.set_index('Code')['MLC Code'].to_dict()

# 映射到df2，不匹配的自动填充NaN
df2['MLC Code'] = df2['Code'].map(code_mlc_map)

运行后结果：

场景2：每个df1的Code仅匹配一次（对应你给出的期望结果） #

如果需要像你期望的那样，df1里的每个Code只能给df2的一个匹配项赋值，剩下的匹配项留空，可以通过标记已匹配行+索引加速实现：

import pandas as pd

df1 = pd.DataFrame({'Code': [1,2,8,4], 'MLC Code': [8,66,62,66]})
df2 = pd.DataFrame({'Code': [1,2,3,4,4,8]})

# 给df1添加匹配标记列，并给Code列加索引加速查找
df1['matched'] = False
df1 = df1.set_index('Code')

# 初始化MLC Code列为空值
df2['MLC Code'] = pd.NA

# 遍历df2，查找未被匹配的对应Code
for idx, code in df2['Code'].items():
    if code not in df1.index:
        continue
    # 筛选当前Code下未匹配的行
    available_rows = df1.loc[code][~df1.loc[code]['matched']]
    if not available_rows.empty:
        # 取第一个可用行的MLC值
        if isinstance(available_rows, pd.Series):
            mlc_value = available_rows['MLC Code']
            df1.at[code, 'matched'] = True
        else:
            mlc_value = available_rows.iloc[0]['MLC Code']
            df1.loc[available_rows.index[0], 'matched'] = True
        # 赋值给df2
        df2.at[idx, 'MLC Code'] = mlc_value

运行后就能得到你给出的期望结果：

原代码的问题说明 #

1. 你用了==比较运算符而非=赋值，根本没把值写到df2里；
2. 直接用df2["MLC Code"][i]链式索引赋值会触发SettingWithCopyWarning，建议用.at或.loc来安全赋值。

内容的提问来源于stack exchange，提问作者Monil Shah