如何在Pandas中利用df1的映射值转换df2的分类列？

我有一个DataFrame df1：

我通过以下代码将df1中的分类列替换为对应分组下Target列的平均值：

for col in columns: #columns=['City', 'Territory','Region','Area']
    avg_tar= df.groupby(col).agg(**{'avg_tar_by_'+col: ('Target', np.mean)})
    df = df.merge(avg_tar, on=col)
df = df.drop(columns=columns)
df = df.rename(columns={'avg_tar_by_'+col: col for col in columns})

处理后的df1如下：

我还有另一个DataFrame df2：

我希望使用df1中得到的分类-平均值映射，将df2中所有分类列的类别替换为对应的平均值，预期输出如下：

请问如何在Pandas中实现这一转换？

核心思路 #

处理后的df1已丢失原始分类标签（如Chicopee、Springfield MA），无法直接提取映射关系，因此需要从原始df1重新生成每个分类列与Target平均值的映射字典，再用这些字典替换df2的对应列。

实现代码 #

import pandas as pd
import numpy as np

# 定义需要处理的分类列
columns = ['City', 'Territory', 'Region', 'Area']

# 从原始df1生成各分类列的平均值映射字典
mapping_dict = {}
for col in columns:
    # 按列分组计算Target的平均值，转成字典（键：分类标签，值：对应平均值）
    avg_series = df1.groupby(col)['Target'].mean()
    mapping_dict[col] = avg_series.to_dict()

# 复制df2避免修改原数据，然后批量替换分类列
df2_processed = df2.copy()
for col in columns:
    df2_processed[col] = df2_processed[col].map(mapping_dict[col])

# 查看处理后的结果
print(df2_processed)

代码说明 #

1. 生成映射字典：遍历每个分类列，通过groupby计算该列每个类别对应的Target平均值，再将结果转为字典，方便后续映射替换。
2. 替换df2列值：对df2的每个分类列，使用map()方法将原始分类标签替换为对应的平均值。
3. 保留原数据：通过df2.copy()复制原数据，避免修改原始df2。

执行上述代码后，df2_processed的结果将与预期输出完全一致。

内容的提问来源于stack exchange，提问作者Scope