基于ID匹配用priceMapping填充data缺失Price值的Pandas技术问询

嗨，这事儿用Pandas分分钟搞定，我给你两种实用的方案，你可以根据自己的习惯选：

首先确保你已经导入了Pandas库：

import pandas as pd

先把你的两个DataFrame定义出来（方便你直接复制测试）：

# 构建data DataFrame
data = pd.DataFrame({
    "Global id": ["AR.1852218.1", "AR.1852223.1", "AR.1852251.1", "AR.1852254.1", "AR.1852257.1", "AR.1852386.1", "AR.1852549.1"],
    "Price": ["", "0,6", "0,56", "", "0,25", "0,33", ""]
})

# 构建priceMapping DataFrame
priceMapping = pd.DataFrame({
    "G.ID": ["AR.1852218.1", "AR.1852254.1", "AR.1852549.1"],
    "Price": ["0,1", "0,25", "0,33"]
})

方案一：用map()快速填充（推荐） #

这种方法简洁高效，适合一对一匹配的场景：

# 把priceMapping转成字典，键是G.ID，值是对应的Price
price_lookup = priceMapping.set_index("G.ID")["Price"].to_dict()

# 先把data里的空字符串转成Pandas标准缺失值，再用字典映射填充
data["Price"] = data["Price"].replace("", pd.NA)
data["Price"] = data["Price"].fillna(data["Global id"].map(price_lookup))

方案二：用merge()合并填充（更灵活） #

如果之后需要扩展匹配规则（比如多字段匹配），用合并的方式更灵活：

# 左合并两个DataFrame，保留data的所有行，给映射表的Price加个后缀区分
merged_data = data.merge(priceMapping, left_on="Global id", right_on="G.ID", how="left", suffixes=("", "_from_map"))

# 用映射表的Price填充原Price的缺失值
merged_data["Price"] = merged_data["Price"].replace("", pd.NA)
merged_data["Price"] = merged_data["Price"].fillna(merged_data["Price_from_map"])

# 保留原data的列结构
data = merged_data[["Global id", "Price"]]

执行完上面的代码后，打印data就能看到填充后的结果：

print(data)

输出如下：

Global id  Price
0  AR.1852218.1   0,1
1  AR.1852223.1   0,6
2  AR.1852251.1  0,56
3  AR.1852254.1  0,25
4  AR.1852257.1  0,25
5  AR.1852386.1  0,33
6  AR.1852549.1  0,33

如果之后需要对Price做数值计算，记得把逗号分隔的格式转成点分隔的浮点型：

data["Price"] = data["Price"].str.replace(",", ".").astype(float)

内容的提问来源于stack exchange，提问作者swissmade