Pandas如何跨DataFrame条件查找值 无迭代填充目标列

完全可以不使用逐行遍历的方式实现需求，基于pandas的向量化操作即可完成，运行效率远高于逐行循环，以下是两种常用实现方式：

方式1：按类型掩码+映射匹配（逻辑直观，适合类型少的场景） #

核心思路是提前构建各匹配场景的键值映射，通过布尔掩码筛选对应类型的行，批量完成匹配填充：

import pandas as pd

# --------------------------
# 1. 预构建各类型对应的查找映射：以匹配列为索引，待填充的description为值
# --------------------------
# Type=ID时，匹配Lookup1的ID列
map_id = Lookup1.set_index('ID')['description']
# Type=CI时，匹配Lookup1的CI列
map_ci = Lookup1.set_index('CI')['description']
# Type=CC时，匹配Lookup2的CC列
map_cc = Lookup2.set_index('CC')['description']

# --------------------------
# 2. 初始化目标列，先填充else分支的默认值
# --------------------------
# 伪代码中else分支取Code2列，如果需要取示例中空Type行的Description值，替换为source_df['Description']即可
source_df['col_new'] = source_df['Code2']

# --------------------------
# 3. 按类型批量匹配填充，全程无逐行循环
# --------------------------
# 填充ID类型
mask_id = source_df['Type'] == 'ID'
source_df.loc[mask_id, 'col_new'] = source_df.loc[mask_id, 'Code'].map(map_id)

# 填充CI类型
mask_ci = source_df['Type'] == 'CI'
source_df.loc[mask_ci, 'col_new'] = source_df.loc[mask_ci, 'Code'].map(map_ci)

# 填充CC类型
mask_cc = source_df['Type'] == 'CC'
source_df.loc[mask_cc, 'col_new'] = source_df.loc[mask_cc, 'Code'].map(map_cc)

• 注意：匹配前请确保Code列和查找表对应匹配列的数据类型一致（比如同为字符串/同为数值），否则会出现匹配失败的问题。如果需要处理匹配不到的空值，可以在map()后追加.fillna(你要的默认值)。

方式2：统一查找表+双字段关联（扩展性好，适合类型多的场景） #

如果后续需要新增更多匹配类型，可以先把所有查找规则整理成统一结构的总查找表，通过Type+Code两个字段一次性关联完成匹配，不需要反复写掩码判断：

# --------------------------
# 1. 将所有查找表转换为统一结构：包含Type、Code（匹配值）、description（待填充值）三列
# --------------------------
lookup_id = Lookup1[['ID', 'description']].rename(columns={'ID':'Code'}).assign(Type='ID')
lookup_ci = Lookup1[['CI', 'description']].rename(columns={'CI':'Code'}).assign(Type='CI')
lookup_cc = Lookup2[['CC', 'description']].rename(columns={'CC':'Code'}).assign(Type='CC')

# 合并为总查找表
total_lookup = pd.concat([lookup_id, lookup_ci, lookup_cc], ignore_index=True)

# --------------------------
# 2. 一次性关联匹配
# --------------------------
source_df = source_df.merge(
    total_lookup,
    on=['Type', 'Code'],
    how='left'
).rename(columns={'description':'col_new'})

# --------------------------
# 3. 填充未匹配到的行（对应else分支的默认值）
# --------------------------
source_df['col_new'] = source_df['col_new'].fillna(source_df['Code2'])

两种方式都是pandas底层优化过的向量化实现，性能比逐行for循环高1~2个数量级，数据量越大优势越明显。

内容的提问来源于stack exchange，提问作者fr0do007