基于另一个DataFrame删除行：不新建DataFrame实现df1匹配df2

嘿，根据你描述的需求（两个行数不同的DataFrame，要让df1匹配df2，不能建新对象也不能用merge），结合你给出的df1是加州县名列表的情况，我分两种常见的“匹配”场景给你具体实现方案：

场景1：过滤df1，只保留df2中存在的行 #

假设两个DataFrame都有共同的标识列（比如你的df1里的县名，我们先给它命名为'County'），可以直接在原df1上做修改，不用生成新对象：

# 先给无列名的df1补上列名（如果你的df1已经有列名可以跳过这步）
df1.columns = ['County']

# 获取df2中存在的县名集合，提升匹配效率
valid_counties = set(df2['County'])

# 方法1：用drop删除不匹配的行，inplace=True直接修改原df1
df1.drop(df1[~df1['County'].isin(valid_counties)].index, inplace=True)

# 方法2：用切片赋值覆盖原df1内容，避免创建新对象
df1[:] = df1[df1['County'].isin(valid_counties)]

这里要注意第二种方法里的df1[:]——它是直接修改原DataFrame内部的数据，而不是重新给df1变量赋值新的对象，完全符合你“不创建新DataFrame”的要求。

场景2：把df2的关联数据映射到df1中（新增列） #

如果你的需求是把df2里的对应数据（比如人口、区域代码等）匹配到df1的对应行，直接用map方法修改原df1就可以，全程不用merge：

# 先把df2转换成以县名为索引的Series，方便快速映射
# 把'Target_Data'换成你要从df2取的列名，比如'Population'
df2_mapper = df2.set_index('County')['Target_Data']

# 直接给df1新增列并赋值，修改原对象
df1['Target_Data'] = df1['County'].map(df2_mapper)

这样处理后，df1会新增一列，匹配到的行会显示df2对应的数据，未匹配的行则显示NaN，整个过程没有生成任何新的DataFrame。

小提示 #

如果你的df1是只有索引和值的Series（不是DataFrame），可以先转成DataFrame再操作：

df1 = df1.to_frame('County')

内容的提问来源于stack exchange，提问作者Glenn G.