在Pandas中为DataFrame新增列并匹配同ID的type字段问题

嘿，我太懂这种“看着简单实际操作容易卡壳”的Pandas场景了！你要做的就是把df1里的type字段，根据匹配的ID（ID2和ID3是同一个标识）同步到df2里对吧？给你两种高效靠谱的方法，适配不同需求：

方法一：用pd.merge()合并（适合需要同步多个字段的场景） #

如果之后可能还要从df1同步其他字段，用合并的方式更灵活：

# 只选取df1中需要的列（ID2和type），避免处理多余数据提升效率
temp_df = df1[['ID2', 'type']]
# 按ID匹配合并，left模式保留df2所有行，哪怕ID在df1中找不到（此时type为NaN）
merged_result = pd.merge(df2, temp_df, left_on='ID3', right_on='ID2', how='left')
# 把合并后的type列赋值给df2，再清理临时生成的ID2列
df2['type'] = merged_result['type']
df2.drop(columns=['ID2'], inplace=True)

要是你能保证df2里的所有ID在df1中都有对应记录，也可以把how='left'改成how='inner'，不过left模式更稳妥，不会丢失df2里的行。

方法二：用map()映射（简洁高效，仅需同步单个字段的首选） #

如果只需要同步type这一个字段，用映射的方式代码更短，效率也更高：

# 先把df1转成以ID2为索引、type为值的Series，相当于建立ID到type的映射表
type_map = df1.set_index('ID2')['type']
# 直接用df2的ID3列去映射，生成新的type列
df2['type'] = df2['ID3'].map(type_map)

这个方法对大型DataFrame特别友好，因为映射操作的内存占用和时间成本都很低。

额外提醒 #

• 要是df1里存在重复的ID（同一个ID对应多个type值），merge会生成重复行，map则会取该ID最后一次出现的type值。这种情况下建议先清理df1的重复项：

# 保留每个ID的第一条记录，可根据需求把keep改成'last'
df1_clean = df1.drop_duplicates(subset='ID2', keep='first')

内容的提问来源于stack exchange，提问作者user9715239