Pandas如何匹配两个DataFrame的sp列并新增对应date字段

你需要实现的是按sp列做关联匹配，把查找表的date字段挂载到业务表上，属于最常用的表关联操作，两种常用实现方式如下：

方法1：merge 左连接（最通用，适合多字段匹配场景） #

直接用pandas内置的merge方法，指定关联键为sp，连接方式选左连接，保证原业务表所有行不丢失：

import pandas as pd

# 先复现你的样例数据
df1 = pd.DataFrame({
    "name": ["ccs", "ccs", "ccs", "ccs"],
    "sp": [2, 4, 5, 7],
    "val": [4.5, 5, 3, 8]
})

df_lookup = pd.DataFrame({
    "date": ["2013-10-01", "2013-11-01", "2013-12-01", "2014-01-01", "2014-02-01", "2014-03-01", "2014-04-01"],
    "sp": [1, 2, 3, 4, 5, 6, 7]
})

# 核心匹配代码
df_result = df1.merge(df_lookup, on="sp", how="left")

运行后输出结果：

name  sp  val        date
0  ccs   2  4.5  2013-11-01
1  ccs   4  5.0  2014-01-01
2  ccs   5  3.0  2014-02-01
3  ccs   7  8.0  2014-04-01

注意：你给出的预期结果中sp=7对应的date写为2014-05-01，和查找表内的实际值不符，属于笔误，匹配结果以查找表存储的2014-04-01为准。

方法2：map 映射（性能更好，适合单字段匹配场景） #

如果只需要匹配单个字段，先把查找表转成{匹配键: 目标值}的字典，再用map直接给原表新增列，大数据量下速度比merge快：

# 构造sp到date的映射字典
sp_to_date = df_lookup.set_index("sp")["date"].to_dict()
# 直接给原df1加新列
df1["date"] = df1["sp"].map(sp_to_date)

运行后得到的结果和merge方法完全一致。

内容的提问来源于stack exchange，提问作者user11958450