如何基于两个Pandas DataFrame的匹配条件新增列？多条件赋值用行遍历可行吗

单条件匹配赋值实现 #

你要实现的按A、B列匹配赋值的逻辑，有两种简洁高效的实现方式：

方法1：map映射（单字段匹配最优） #

将df2的B列作为键、C列作为值构造映射关系，直接给df1的Z列赋值：

import pandas as pd

# 示例数据初始化
df1 = pd.DataFrame({'A': ['foo', 'bar', 'test'], 'b': [1, 2, 3], 'c': [3, 4, 5]})
df2 = pd.DataFrame({'B': ['foo', 'baz'], 'C': [3, 1]})

# 构造匹配映射
match_map = df2.set_index('B')['C']
# 批量匹配赋值
df1['Z'] = df1['A'].map(match_map)

运行后得到的df1完全符合你给出的预期结构。

方法2：左连接merge（适合多字段/多列匹配） #

如果后续需要同时按多个字段匹配、或者批量赋值多个列，可以用左连接实现：

df1 = df1.merge(
    df2,
    left_on='A',  # df1侧的匹配键
    right_on='B', # df2侧的匹配键
    how='left'    # 保留df1的全部行
).rename(columns={'C': 'Z'}).drop(columns='B') # 重命名目标列、删除多余的匹配列

多条件多列赋值的遍历方案说明 #

完全不推荐你提到的iterrows行遍历方案，核心原因有三点：

• 性能极低：Pandas底层做了矢量运算优化，iterrows遍历的执行效率比内置矢量方法低2-3个数量级，数据量超过1万行时差距会非常明显
• 稳定性差：遍历过程中直接修改原DataFrame，极易触发SettingWithCopyWarning，也可能出现隐式类型转换导致数据异常
• 可维护性差：多条件嵌套判断的遍历代码冗余度高，后续调整逻辑时调试成本很高

推荐替代方案 #

根据场景选择对应的矢量方法即可：

• 跨表多条件匹配：直接把多个匹配字段作为关联键，用上面提到的merge左连接批量赋值多列
• 同表多条件赋值：用df.loc批量赋值，示例如下：

# 示例：满足A列是foo且b列大于0时，给hjk列赋值10，其余赋值20
df1.loc[(df1['A'] == 'foo') & (df1['b'] > 0), 'hjk'] = 10
df1['hjk'] = df1['hjk'].fillna(20)

• 逻辑极其复杂的场景：优先用df.apply行级处理，性能也远优于iterrows遍历

内容的提问来源于stack exchange，提问作者Dr.PB