基于不同长度DataFrame关联列创建新列的技术问询

你的需求本质是把df8中每个分类对应的唯一值映射到df3的对应行，用apply或者np.where逐个判断确实太繁琐，尤其是分类多的时候完全不高效。这里给你两种最常用的pandas解决方案，简单又靠谱：

方法一：用map做字典映射（推荐，代码最简洁） #

首先把df8转换成一个「分类-值」的字典，然后直接用map方法给df3批量赋值：

# 先从df8创建映射字典：key是categories，value是First_value(cm)
category_map = df8.set_index('categories')['First_value(cm)'].to_dict()

# 给df3添加新列，自动匹配对应分类的值
df3['first_values_cm'] = df3['categories'].map(category_map)

# 如果df3里有df8不存在的分类，会出现NaN，可按需填充默认值
# df3['first_values_cm'] = df3['categories'].map(category_map).fillna(0)  # 示例填充0

方法二：用merge做左连接（适合需要保留更多df8字段的场景） #

如果之后还需要用到df8的其他列，用左连接更灵活：

# 左连接：保留df3的所有行，匹配df8中相同categories的行
merged_df = pd.merge(df3, df8[['categories', 'First_value(cm)']], 
                     on='categories', how='left')

# 把匹配到的值赋值给df3的新列
df3['first_values_cm'] = merged_df['First_value(cm)']

为什么你的之前尝试不太合适？ #

• apply是逐行遍历处理，数据量大的时候速度会很慢，而且代码写起来很啰嗦；
• np.where需要逐个写df3['categories'] == '某个分类'的条件，分类多的话代码会变得非常冗长，后期维护也麻烦。

这两种方法都是pandas原生的高效操作，能完美解决你的需求，选哪种看你后续是否需要用到df8的其他字段~

内容的提问来源于stack exchange，提问作者Master03 Skywalker