Pandas按ID匹配及数值区间规则，将df1标签映射到df2

以下代码基于pandas实现，完全匹配按ID分组、区间匹配标签的需求，两种方法按需选择即可。

前置准备 #

先确保已经导入pandas库：
import pandas as pd

方法1：区间索引匹配（推荐，性能最优） #

核心是用pandas原生IntervalIndex处理区间判断，按ID分组匹配规则，避免低效循环，大数据量下表现更好。

# 1. 给配置表df1构建左闭右开的区间列，和示例匹配逻辑对齐：Samp≥Top且Samp<Bottom时命中对应标签
df1['rule_interval'] = pd.IntervalIndex.from_arrays(df1['Top'], df1['Bottom'], closed='left')

# 2. 定义单ID组内的标签匹配逻辑
def group_label_match(sub_df):
    target_id = sub_df.name
    # 提取当前ID对应的所有区间-标签映射
    id_rule_map = df1.query("ID == @target_id").set_index('rule_interval')['Label']
    # 逐行匹配Samp所属区间的标签，无匹配规则时默认返回None，可按需修改默认值
    sub_df['Label'] = sub_df['Samp'].apply(
        lambda val: next((label for itv, label in id_rule_map.items() if val in itv), None)
    )
    return sub_df

# 3. 按ID分组应用匹配逻辑，得到最终结果
df_result = df2.groupby('ID', group_keys=False).apply(group_label_match)

说明：你示例中ID为Z-3的行在给出的df1里没有对应配置规则，代码默认会给Label赋值None，把Z-3的区间规则补到df1里就能自动匹配到对应标签，和示例输出对齐。

方法2：关联过滤法（逻辑直白，适合小数据量） #

如果对pandas高级特性不熟悉，可以用ID关联后过滤区间的写法，逻辑更容易理解：

# 1. 按ID把采样数据和同ID的所有配置规则关联
merged_tmp = df2.merge(df1, on='ID', how='left')
# 2. 过滤出Samp落在对应区间内的匹配记录
matched_records = merged_tmp[
    (merged_tmp['Samp'] >= merged_tmp['Top']) & 
    (merged_tmp['Samp'] < merged_tmp['Bottom'])
][['Samp', 'Var', 'ID', 'Label']]
# 3. 把匹配到的标签拼回原采样表，得到最终结果
df_result = df2.merge(matched_records, on=['Samp', 'Var', 'ID'], how='left')

注意事项 #

• 区间开闭规则可以通过修改pd.IntervalIndex的closed参数调整，可选值为left（左闭右开）、right（左开右闭）、both（全闭）、neither（全开），当前代码用的左闭右开和给出的示例匹配逻辑完全一致。
• 如果所有ID的区间规则完全统一，可以跳过分组步骤，直接全局构建区间映射做匹配，速度会更快。
• 数据量超过10万行时优先选方法1，内存占用和运行速度都远优于方法2。

内容的提问来源于stack exchange，提问作者8556732