pandas多列未知条件场景下匹配维修订单与合格维修厂的实现方法

核心思路 #

不需要嵌套循环，先动态提取维修厂表（rp）的所有判定条件列，再批量生成匹配掩码即可实现通用逻辑。

实现方法 #

方法1：逐单匹配（适合小数据量，逻辑直观） #

1. 首先自动识别rp中的所有条件列，排除id、Type这类不需要匹配的非条件字段即可，无论rp有多少个条件列都可以自适应获取。
2. 遍历每个订单时，对所有条件列统一生成「条件为空 或 与订单值相等」的布尔判断，合并所有判断结果筛选出符合要求的维修厂。

示例代码：

# 自动提取rp的所有条件列（按需调整排除的非条件字段即可）
cond_cols = [col for col in rp.columns if col not in ("id", "Type")]

# 遍历所有订单
for order_id, order_info in o.iterrows():
    # 生成匹配掩码：每个条件列满足「为空/和订单对应值相等」，所有列都满足则匹配成功
    match_mask = (rp[cond_cols].isna() | (rp[cond_cols] == order_info[cond_cols])).all(axis=1)
    matched_plants = rp[match_mask]
    # 输出结果
    print(f"订单{order_id}匹配的维修厂：")
    print(matched_plants)
    print("-"*30)

方法2：全量向量化匹配（适合大数据量，性能更优） #

如果订单和维修厂的数量都比较大，可以用笛卡尔积合并后一次性筛选，完全避免循环，性能提升非常明显。

示例代码：

import pandas as pd

# 新增临时键用于生成笛卡尔积
o["tmp_join_key"] = 1
rp["tmp_join_key"] = 1

# 全量合并订单和维修厂
full_comb = o.merge(rp, on="tmp_join_key", suffixes=("_order", "_plant")).drop("tmp_join_key", axis=1)

# 提取条件列，生成匹配掩码
cond_cols = [col for col in rp.columns if col not in ("id", "Type", "tmp_join_key")]
order_cond_cols = [f"{col}_order" for col in cond_cols]
plant_cond_cols = [f"{col}_plant" for col in cond_cols]

# 两种满足条件：维修厂对应条件为空，或者值和订单相等
match_mask = (full_comb[plant_cond_cols].isna() | (full_comb[order_cond_cols].values == full_comb[plant_cond_cols].values)).all(axis=1)
all_matched = full_comb[match_mask]

# 按订单分组获取每个订单的匹配结果
order_matched_result = all_matched.groupby("id_order").apply(
    lambda x: x[[col for col in rp.columns if col != "tmp_join_key"]].reset_index(drop=True)
)

内容的提问来源于stack exchange，提问作者Jan T.