基于灵活条件合并两个Pandas DataFrame的优化实现问询

嘿，针对你这个用df2条件填充df1factor字段的需求，我有两个简洁且易维护的方案，完全避开布尔掩码嵌套和复杂if列表，一起来看看：

方案1：映射字典 + apply #

这个方案把df2的规则转换成结构化的字典映射，逻辑清晰，后续改规则只需要调整字典或df2即可，不用动核心逻辑。

首先假设你的df2结构大概是这样（带通配符*的规则表）：

我们先把df2转成嵌套映射字典，用__default__标记通配符对应的默认规则：

# 将df2转换为嵌套映射字典，处理通配符*
factor_map = {}
for _, row in df2.iterrows():
    cp = row["counterparty"]
    term = row["term"]
    factor_val = row["factor"]
    
    if cp not in factor_map:
        factor_map[cp] = {}
    
    if term == "*":
        # 用特殊键存储通配符对应的默认值
        factor_map[cp]["__default__"] = factor_val
    else:
        factor_map[cp][term] = factor_val

# 定义匹配函数，按规则返回factor值
def match_factor(row):
    # 获取当前对手方的规则映射
    cp_rules = factor_map.get(row["counterparty"], {})
    # 优先匹配具体期限，没有则用默认规则
    return cp_rules.get(row["term"], cp_rules.get("__default__"))

# 填充df1的factor字段
df1["factor"] = df1.apply(match_factor, axis=1)

方案2：Pandas原生合并 + fillna #

如果你的数据量较大，这个方案更高效——完全用Pandas的原生操作，不用循环和apply：

# 拆分df2的规则：通配符默认规则 和 具体期限规则
default_rules = df2[df2["term"] == "*"].drop("term", axis=1)
specific_rules = df2[df2["term"] != "*"]

# 第一步：合并具体期限规则，匹配到对应的值
df1 = df1.merge(
    specific_rules,
    on=["counterparty", "term"],
    how="left",
    suffixes=("", "_tmp")
)

# 第二步：合并默认规则，填充未匹配到的空值
df1 = df1.merge(
    default_rules,
    on="counterparty",
    how="left",
    suffixes=("", "_default")
)

# 优先用具体规则的值，无匹配则用默认规则
df1["factor"] = df1["factor_tmp"].fillna(df1["factor_default"])

# 清理临时列
df1 = df1.drop(["factor_tmp", "factor_default"], axis=1)

方案优势 #

这两个方案都有很好的扩展性：以后要新增对手方或期限规则，只需要在df2里新增一行即可，不用修改核心代码逻辑；同时完全避开了复杂的布尔掩码（比如(df1['counterparty'] == 'bank') & (df1['term'] == ...)）和多层嵌套的if语句，代码可读性拉满。

内容的提问来源于stack exchange，提问作者Number Logic