如何基于列名关联两个pandas DataFrame实现价格字段映射
高效实现方案
核心思路是通过定价类型值到价格列名的映射关系做向量化匹配,不需要做复杂的表关联,计算效率远高于逐行遍历或行级merge。
前置数据规整
原始数据存在两处会导致匹配失败的脏值,需要先做统一处理:
- df1的
pricing_type字段存在大小写不一致问题(小写p和大写P无法匹配) - df2的列名存在空格分隔的不规范命名(
external price无法直接和其他列名统一管理)
完整可运行代码
import pandas as pd # 构造原始数据 df1 = pd.DataFrame({ "Product": ["prod1", "prod2", "prod3"], "pricing_type": ["I", "p", "E"] }) df2 = pd.DataFrame({ "id": [1], "internal_price": [0.7], "external price": [0.89], "pilot_price": [0.3] }) # 1. 规整df1的定价类型:统一转为大写 df1["pricing_type"] = df1["pricing_type"].str.upper() # 2. 规整df2的列名:将空格替换为下划线,统一命名规范 df2.columns = df2.columns.str.replace(" ", "_") # 3. 构建定价类型到价格列名的映射规则 type_mapping = { "I": "internal_price", "P": "pilot_price", "E": "external_price" } # 4. 提取df2的单行价格键值对(df2仅1行数据,直接转换为字典即可) price_dict = df2.iloc[0].to_dict() # 5. 向量化匹配生成最终df3 df3 = df1.copy() df3["price"] = df3["pricing_type"].map(type_mapping).map(price_dict)
实现效果
运行后得到的df3完全匹配预期输出:
Product pricing_type price 0 prod1 I 0.7 1 prod2 P 0.3 2 prod3 E 0.89
方案优势
- 全程为pandas向量化操作,无Python层循环,百万级数据下性能优势显著
- 映射规则独立为字典,后续新增定价类型仅需修改字典内容,无需调整核心逻辑
- 内置脏值兼容处理,可直接适配原始数据的格式不规范问题
内容的提问来源于stack exchange,提问作者Dcook
相关产品推荐
相关产品推荐

