Pandas合并两个DataFrame并实现同名列累加求和的解决方案

现有实现的核心问题是累加结果没有回写到作为持久化存储的B列，每次计算完就丢弃了存量值，且直接按列位置相加会因为两个DataFrame的行不匹配、索引不对齐触发键错误。

核心实现思路 #

要实现持续累加不丢存量，需要满足3个要求：

• 严格按主键A做值匹配，不按行位置直接相加，避免索引不匹配报错
• 累加时自动将两边的空值（None/NaN）按0处理，避免计算结果为空
• 每次累加后的结果直接回写到df1的B列，作为下一次同步的存量基础

最优实现代码（支持多次重复同步累加） #

import pandas as pd

# 测试用初始化数据
df1 = pd.DataFrame({
    'A' : ['a','b','c','m', 'o'],
    'B' : [None, 1, None, 1, None]
})

df2 = pd.DataFrame({
    'A' : ['a','c','o'],
    'B' : [1,1,None]
})

# 步骤1：将df2的待累加列转为主键A映射的序列，方便快速匹配
df2_value_map = df2.set_index('A')['B']
# 步骤2：按df1的A列取值对齐增量值，匹配不到、值为空的统一填0
increment = df1['A'].map(df2_value_map).fillna(0)
# 步骤3：存量值空值填0后加增量，结果直接回写到B列更新存量
df1['B'] = df1['B'].fillna(0) + increment

执行后df1的输出结果为：

后续有新的df2需要同步时，重复执行上面3步即可，会自动在原有存量基础上继续累加，不会丢失历史数据，也不会触发键错误。

基于原有merge逻辑的修改版本 #

如果习惯用merge写法，只需要在计算完累加值后回写到B列即可，不需要额外生成Total列再删除原有列：

df_merged = df1.merge(df2, how="left", on="A", suffixes=("_stock", "_add"))
df1['B'] = df_merged['B_stock'].add(df_merged['B_add'], fill_value=0).fillna(0)

这个写法和上面map版本的计算结果完全一致，只是merge会生成临时宽表，数据量较大时执行效率略低于map方案。

内容的提问来源于stack exchange，提问作者user18977534