Pandas实现A列匹配B列值时取对应行C列值生成新列D

以下两种实现方式可完全达成你给出的预期效果，均为向量化操作，性能远高于逐行循环查找的写法。

方案1：构建键值映射表（推荐，大表场景效率最高） #

核心逻辑和Excel中match+index的计算逻辑一致：提前建立「B列值→对应行C列值」的查找映射，直接对A列做值匹配，无需逐行扫描全表。
操作步骤：

1. 生成B-C列的映射字典：

   # 以B列为键，对应行的C列为值生成查找字典
   bc_mapping = df.set_index('B')['C'].to_dict()
   

2. 为D列赋值匹配结果：

   df['D'] = df['A'].map(bc_mapping)
   

代入示例表计算时，生成的映射字典为{'n2': 'n4', 'n3': 'n5', 'n1': 'n6'}，对A列的n1/n2/n3做映射后，得到的D列值就是n6/n4/n5，和预期输出完全一致。

方案2：关联匹配表（适合需要保留匹配溯源的场景） #

如果不想构建字典，可以通过表连接的方式实现匹配，逻辑和VLOOKUP用法一致：

1. 提取B、C两列生成单独的匹配临时表，去除B列重复值，避免连接时产生冗余行：

   match_table = df[['B', 'C']].drop_duplicates(subset='B')
   

2. 用原表的A列和临时表的B列做左连接：

   df = df.merge(
       match_table,
       left_on='A',
       right_on='B',
       how='left',
       suffixes=('', '_ref')
   )
   

3. 将连接得到的参考C列重命名为D列，删除多余中间列：

   df['D'] = df['C_ref']
   df = df.drop(columns=['B_ref', 'C_ref'])
   

匹配行为对齐说明 #

• 当A列的某个值在B列中找不到匹配项时，对应D列会自动填充NaN，和Excel中match函数找不到值返回错误的表现一致
• 当B列存在重复值时，两种方案默认都会取第一次出现的B值对应的C列值，和Excel中match函数默认返回首个匹配位置的逻辑完全相同，无需额外写特殊判断逻辑

内容的提问来源于stack exchange，提问作者Tyler Gallenbeck