如何以Pythonic方式在Pandas中从关联DataFrame添加匹配列？

嘿，作为Pandas新手碰到这种跨表匹配加列的问题太正常啦！刚好你的场景是两列完全匹配，有两种非常Pythonic的方法可以搞定，我给你详细说说：

方法1：用merge()（通用且稳妥） #

merge()是Pandas处理表连接的核心方法，适合各种匹配场景，哪怕以后遇到不完全匹配也能用。因为你要把df1的K列加到df2里，我们用左连接就能保证df2的所有行都保留，同时匹配上对应的K值：

import pandas as pd

# 执行合并，指定左右表的匹配列，用左连接
merged_df = df2.merge(df1, left_on='B', right_on='Name', how='left')

# 如果不想保留重复的Name列，可以删掉它
merged_df = merged_df.drop('Name', axis=1)

参数说明： #

• left_on='B'：左表（df2）用来匹配的列
• right_on='Name'：右表（df1）用来匹配的列
• how='left'：保留左表（df2）的所有行，即使右表没有对应匹配（不过你说完全匹配，用how='inner'也可以，但left更稳妥）

如果你想更高效，合并时可以只取df1里需要的列，避免引入多余数据：

merged_df = df2.merge(df1[['Name', 'K']], left_on='B', right_on='Name', how='left').drop('Name', axis=1)

方法2：用map()（简洁高效，适合完全匹配场景） #

因为你的B列和Name列是完全匹配的，用map()会更简洁，本质是先把df1转换成一个「Name→K」的映射字典，再给df2批量赋值：

# 把df1转换成以Name为索引、K为值的Series（相当于映射表）
k_mapping = df1.set_index('Name')['K']

# 给df2直接添加K列，通过B列匹配映射
df2['K'] = df2['B'].map(k_mapping)

这种方法代码更短，执行速度也更快，尤其适合这种一对一完全匹配的场景，不会产生额外的列，一步到位。

两种方法都很Pythonic，你可以根据自己的习惯选～如果以后遇到多列匹配、不完全匹配的情况，优先用merge()就对了！

内容的提问来源于stack exchange，提问作者Pietro Speroni