基于条件对比从3个DataFrame生成新DataFrame的Pandas实现

先明确三个DataFrame的关联逻辑：

• df1（网格+植被）和df2（网格+温度）通过经纬度网格关联
• df1和df3（植被+温度阈值）通过植被类型关联

下面用示例数据演示完整步骤，你可以直接替换成自己的真实列名：

1. 模拟示例数据（真实场景可跳过） #

import pandas as pd

# df1：网格+植被类型
df1 = pd.DataFrame({
    '经度': [100.0, 100.0, 101.0, 101.0],
    '纬度': [20.0, 21.0, 20.0, 21.0],
    '植被类型': ['森林', '草原', '荒漠', '森林']
})

# df2：网格+温度数据
df2 = pd.DataFrame({
    '经度': [100.0, 100.0, 101.0, 101.0],
    '纬度': [20.0, 21.0, 20.0, 21.0],
    'Tmax': [35, 38, 42, 32]
})

# df3：植被类型+温度阈值
df3 = pd.DataFrame({
    '植被类型': ['森林', '草原', '荒漠'],
    'limit_Tmax': [33, 40, 45]
})

2. 合并数据，关联所有字段 #

先把df1和df2按经纬度合并，得到每个网格+植被对应的温度；再和df3合并，拿到对应植被的温度阈值：

# 第一步：合并df1和df2（按经纬度匹配）
merged_df = pd.merge(df1, df2, on=['经度', '纬度'], how='left')

# 第二步：关联df3的温度阈值（按植被类型匹配）
merged_df = pd.merge(merged_df, df3, on='植被类型', how='left')

用how='left'是为了保留df1里所有的网格和植被数据，避免因匹配不到丢失行。

3. 计算Possible列 #

用Pandas向量化布尔运算处理，比循环高效得多（适合大型数据集）：

# 判断逻辑：Tmax <= limit_Tmax 时为True，否则为False
merged_df['Possible'] = merged_df['Tmax'] <= merged_df['limit_Tmax']

最终结果示例 #

处理后的merged_df结构如下：

注意事项 #

• 确保三个DataFrame中用于匹配的列名完全一致（比如经纬度列名都是'经度'/'纬度'），不一致的话先修改列名：df.rename(columns={'旧列名':'新列名'}, inplace=True)
• 大型数据集优先用向量化列运算，避免逐行循环或apply，提升处理速度
• 如果df3存在缺失的植被类型，merged_df里的limit_Tmax会是NaN，此时Possible也会是NaN，可根据需求用fillna处理

内容的提问来源于stack exchange，提问作者code_error