如何基于查找矩阵为pandas DataFrame创建新列（高性能向量化方案）

首选：高性能向量化索引方案 #

该方案无循环、无额外表结构转换开销，是所有方案中运行速度最快的，完全适配大规模数据场景，同时规避了已弃用API和低扩展性方法的缺陷。
核心逻辑：固定常量constant的取值对应查找矩阵的列名，原表value列对应查找矩阵的行索引，直接通过pandas原生标签索引取值即可。
实现代码：

import pandas as pd

# 初始化示例数据
constant = 1
df = pd.DataFrame({"value": [1, 2, 3]})
df_lookup = pd.DataFrame(
    index=[1, 2, 3],
    data={1: [1, 0.3, 0.4], 2: [0.3, 1, 0.2], 3: [0.4, 0.2, 1]}
)

# 新增lookup列
df["lookup"] = df_lookup.loc[df["value"], constant].to_numpy()

运行后输出结果与预期完全一致：

末尾追加.to_numpy()是为了屏蔽pandas自动索引对齐逻辑，保证取值顺序与原DataFrame严格一致，无明显性能损耗。

pandas.merge 实现方案 #

如果偏好merge的实现逻辑，或后续需要扩展为每行匹配不同constant值的场景，可以先将宽格式的查找矩阵转为长表，再做关联匹配：

# 将查找矩阵转换为长表格式，列分别对应行索引x、常量取值、匹配结果值
lookup_long = df_lookup.rename_axis("x").reset_index().melt(
    id_vars="x",
    var_name="constant_val",
    value_name="lookup"
)

# 筛选固定常量对应的匹配子集，与原表关联
df = df.merge(
    lookup_long[lookup_long["constant_val"] == constant][["x", "lookup"]],
    left_on="value",
    right_on="x",
    how="left"
).drop(columns="x")

该方案性能略低于直接索引，但逻辑直观易维护，如果后续原表新增每行独立的constant列，只需要删除常量筛选步骤，在merge参数中补充constant列的匹配条件即可，扩展性较强。

方案选型参考 #

• 性能优先场景选直接索引方案：百万行级数据处理耗时在毫秒级，完全满足高运算速度要求。
• 复杂多条件匹配场景选merge方案：适配非固定常量、多维度匹配的需求，可维护性更好。

内容的提问来源于stack exchange，提问作者Jossy