如何在Pandas中对不同索引的多数据集列执行关联运算？

你的核心问题在于直接通过loc筛选后做元素级乘法时，筛选后的Series行顺序和volume的id顺序不匹配，导致乘积结果和id的对应关系完全错乱，后续merge自然会出现错位、NaN和多余行。

要实现按id（以及room_name，因为volume是从floor基于square的room_name过滤得到）对齐的乘积计算，推荐分两步关联所需列，再进行运算：

方法1：使用merge逐步关联（直观易维护） #

# 第一步：关联square，获取对应room_name的square值（因为volume的行是floor中保留square有值的room_name，所以left join不会有NaN）
volume = volume.merge(square[["id", "room_name", "square"]], on=["id", "room_name"], how="left")

# 第二步：关联matc，获取对应id的width值
volume = volume.merge(matc[["id", "width"]], on="id", how="left")

# 计算目标列，自动按行对齐
volume["target_col"] = volume["coefLoosening"] * volume["width"] * volume["square"]

# 可选：如果不需要保留中间关联的列，可以删除
volume = volume.drop(columns=["square", "width"])

方法2：使用映射（更高效，适合大数据集） #

如果数据集较大，merge的性能不如映射操作，可以用索引映射来实现：

# 构建id到width的映射（matc中id唯一）
width_mapper = matc.set_index("id")["width"]

# 构建(id, room_name)到square值的映射（square中每个(id, room_name)唯一）
square_mapper = square.set_index(["id", "room_name"])["square"]

# 通过映射获取对应值并计算
volume["target_col"] = (
    volume["coefLoosening"]
    * volume["id"].map(width_mapper)
    * volume.apply(lambda row: square_mapper.get((row["id"], row["room_name"])), axis=1)
)

1. matc.loc[matc["id"].isin(volume["id"])]['width']筛选出的行顺序和volume的id顺序完全无关，直接相乘会导致值对应错误；
2. 构造临时DataFrame时，id来自matc筛选后的结果，tempCoef是错位的乘积，两者的对应关系本身就是错的，merge后自然出现大量NaN和错位。

内容的提问来源于stack exchange，提问作者el_bulm