Pandas如何按多列值匹配用另一DataFrame更新目标DataFrame

你需要的无循环向量化实现可以直接用pandas内置的合并/映射接口完成，底层为C实现的向量运算，性能远高于逐行遍历，适合大体量行情数据场景。

方案1：pd.merge 通用实现（最推荐） #

这是适配性最高的写法，不需要提前修改索引，内存占用低，代码可读性强：

import pandas as pd

# 第一步：统一两表日期格式，避免字符串/日期类型不匹配导致匹配失败
df1['Date'] = pd.to_datetime(df1['Date'])
df2['Date'] = pd.to_datetime(df2['Date'])

# 第二步：左连接匹配收盘价
result = pd.merge(
    left=df1,
    right=df2[['ticker', 'Date', 'Close']], # 只提取需要的列，减少不必要的内存开销
    on=['ticker', 'Date'], # 指定两个字段作为联合匹配键
    how='left' # 左连接保留df1全部原始行，不会丢失原数据
)

• 匹配逻辑完全等价于逐行判断效果，但运算效率比iterrows/apply逐行写法高100~1000倍
• 若df2中找不到对应ticker+Date的记录，对应行的Close值会自动填充为pd.NA，方便后续排查缺失行情
• 如果df2中存在同一ticker+Date对应多条记录的情况，需要先对df2去重，避免合并后df1行数膨胀：

  # 按联合键去重，重复记录保留第一条
  df2 = df2.drop_duplicates(subset=['ticker', 'Date'], keep='first')
  

方案2：索引映射实现（适合高频重复查询场景） #

如果你需要多次用同一套df2行情数据匹配不同的df1表格，可以提前给df2构建联合索引，后续映射速度更快：

# 构建(ticker, Date)到Close的映射序列
close_lookup = df2.set_index(['ticker', 'Date'])['Close']

# 索引对齐直接取值
result = df1.set_index(['ticker', 'Date']).join(close_lookup).reset_index()

注意：匹配前请确认两表的ticker大小写、Date时区/精度完全一致，否则会出现非预期的匹配缺失。

内容的提问来源于stack exchange，提问作者sud