如何比较不同形状Pandas DataFrame的depth列并匹配label？

这是个很常见的Pandas数据关联场景，针对你的需求，我提供两种简单高效的解决方案：

方法一：使用merge()函数合并（推荐） #

因为你的DataFrame a 中depth1是唯一值，每个值对应唯一的label，而b中的depth2有重复项，用merge()可以轻松完成左连接（保留b的所有行），并把对应label匹配过来：

import pandas as pd
import numpy as np

# 初始化你的两个DataFrame
data = [[0.0, 0.5, 1.0, 1.5, 2.0, 2.5],['a','b','c','d','e','f']]
data = np.matrix(data).T
a = pd.DataFrame(data, columns=['depth1', 'label'])
b = pd.DataFrame([0, 0.5, 0.5, 0.5, 0.5, 1.0, 1.5, 1.5, 1.5, 2.0, 2.0, 2.5], columns=['depth2'])

# 统一数据类型（解决np.matrix转换后depth1为字符串的问题）
a['depth1'] = a['depth1'].astype(float)
b['depth2'] = b['depth2'].astype(float)

# 执行左连接合并，匹配depth2和depth1
result = pd.merge(b, a, left_on='depth2', right_on='depth1', how='left')
# 移除多余的depth1列，只保留需要的列
result = result.drop(columns='depth1')

print(result)

运行后输出结果：

depth2 label
0      0.0     a
1      0.5     b
2      0.5     b
3      0.5     b
4      0.5     b
5      1.0     c
6      1.5     d
7      1.5     d
8      1.5     d
9      2.0     e
10     2.0     e
11     2.5     f

方法二：使用map()映射 #

先把a转换成{深度值: 标签}的字典，再用map()方法给b批量添加标签，适合不需要完整合并的场景：

import pandas as pd
import numpy as np

# 初始化DataFrame
data = [[0.0, 0.5, 1.0, 1.5, 2.0, 2.5],['a','b','c','d','e','f']]
data = np.matrix(data).T
a = pd.DataFrame(data, columns=['depth1', 'label'])
b = pd.DataFrame([0, 0.5, 0.5, 0.5, 0.5, 1.0, 1.5, 1.5, 1.5, 2.0, 2.0, 2.5], columns=['depth2'])

# 统一数据类型
a['depth1'] = a['depth1'].astype(float)
b['depth2'] = b['depth2'].astype(float)

# 创建深度到标签的映射字典
depth_label_map = a.set_index('depth1')['label'].to_dict()

# 给b添加label列
b['label'] = b['depth2'].map(depth_label_map)

print(b)

关键注意点 #

• 一定要统一数据类型：因为你用np.matrix(data).T转换后，a中的depth1会变成字符串类型，而b的depth2是数值类型，直接匹配会失败，所以必须先转成相同类型（比如都转成float）。
• 如果a中存在重复的depth1值，merge()会保留所有匹配结果，而map()只会取最后一个对应的标签，你可以根据实际需求选择方法。

内容的提问来源于stack exchange，提问作者Eric Kim