Excel INDEX MATCH的Pandas替代方案：跨DataFrame匹配生成列D

首先，我完全懂你想要实现的效果——就像Excel里用INDEX+MATCH根据日期从data表拉取对应值到lookup表的D列，之前用merge返回NaN确实头疼，尤其是已经确认关联列都是字符串类型的情况下。下面给你几种靠谱的解决方案，以及排查问题的思路：

方法一：用merge（修正版） #

如果之前的merge返回NaN，大概率是两个小问题：要么没指定how='left'导致只保留两边都匹配的行，要么是字符串看起来一致但实际有隐藏差异（比如前后空格）。

步骤1：确保列名一致并使用左连接 #

假设两个DataFrame的日期列都叫Date，执行左连接来保留lookup的所有行：

# 只取data中需要的列（日期和目标值），避免冗余列
lookup = lookup.merge(
    data[['Date', 'Value']],  # 替换成你实际的数值列名
    on='Date',
    how='left'
)
# 把匹配到的列重命名为D
lookup.rename(columns={'Value': 'D'}, inplace=True)

步骤2：清理字符串隐藏差异 #

如果还是有NaN，先检查日期字符串是否完全一致（比如前后空格、换行符），可以先做清洗：

# 移除日期列的前后空白字符
data['Date'] = data['Date'].str.strip()
lookup['Date'] = lookup['Date'].str.strip()

# 再执行上面的merge操作
lookup = lookup.merge(data[['Date', 'Value']], on='Date', how='left').rename(columns={'Value': 'D'})

方法二：用map（更贴近INDEX MATCH的逻辑） #

这种方法和Excel里的匹配逻辑几乎一致：先创建日期到目标值的映射字典，再逐个匹配lookup里的日期，非常直观：

# 从data生成日期到值的映射字典
value_mapping = data.set_index('Date')['Value'].to_dict()

# 在lookup中生成D列，匹配不到的会显示NaN
lookup['D'] = lookup['Date'].map(value_mapping)

排查匹配失败的小技巧 #

如果以上方法还是有问题，可以用下面的代码确认两个表的日期是否真的有交集：

# 提取两个表的日期集合（先清理空白）
data_dates = set(data['Date'].str.strip())
lookup_dates = set(lookup['Date'].str.strip())

# 查看共同日期及独有的日期
common_dates = data_dates & lookup_dates
print(f"两个表共有的日期：{common_dates}")
print(f"data独有的日期：{data_dates - lookup_dates}")
print(f"lookup独有的日期：{lookup_dates - data_dates}")

如果common_dates是空的，说明你的日期字符串确实没有匹配项，需要进一步检查格式（比如'2023/01/01' vs '2023-01-01'）。

内容的提问来源于stack exchange，提问作者Frank Drin