列数不一致的DataFrame关联：按Hour与Type匹配Total #Users

当然可以实现你的需求，而且有两种常用方案——既可以用你提到的map方法，也可以用更直观的merge方法，我结合你的示例给你详细说明：

先看你的示例数据 #

DF1（细粒度数据）

DF2（汇总数据）

期望结果

方案一：使用Pandas的merge方法（推荐） #

这是最直观的方式，因为你需要同时基于Hour和Type两个字段进行关联（DF2的Total #Users是按这两个维度汇总的），直接用merge就能一步到位：

import pandas as pd

# 假设你已经有df1和df2两个DataFrame
result_df = pd.merge(df1, df2, on=['Hour', 'Type'], how='left')

• on=['Hour', 'Type']：指定关联的键是这两个字段，确保每个DF1的行都能匹配到DF2中对应Hour+Type组合的Total #Users
• how='left'：保留DF1的所有行，即使DF2中没有匹配项（这种情况Total #Users会显示NaN，你可以根据需求处理）

运行这段代码后，得到的result_df就是你想要的结构，和期望结果完全一致。

方案二：使用map方法 #

当然可以用map，不过需要先把DF2转换成一个以**(Hour, Type)**为键、Total #Users为值的字典，然后让DF1通过这个字典映射出对应的数值：

# 先把DF2转成字典：键是(Hour, Type)元组，值是Total #Users
total_users_map = df2.set_index(['Hour', 'Type'])['Total #Users'].to_dict()

# 在DF1中新增Total #Users字段，通过(Hour, Type)元组映射
df1['Total #Users'] = df1.apply(lambda row: total_users_map.get((row['Hour'], row['Type'])), axis=1)

# 最终df1就是你要的结果
result_df = df1

这里要注意：必须确保DF2中每个(Hour, Type)组合是唯一的，否则转字典的时候后面的值会覆盖前面的（你的示例里是唯一的，所以没问题）。如果有重复组合，建议先对DF2做去重或者聚合处理。

两种方案对比 #

• merge方法：代码简洁、可读性高，适合大多数场景，新手也容易理解，而且能自动处理可能的匹配缺失情况
• map方法：如果你的数据量极大，map的性能可能会略好一点，但需要额外处理字典的构建，对键的唯一性要求高

内容的提问来源于stack exchange，提问作者Russel Wilcox-Cline