Pandas匹配两个DataFrame值异常：数值精度导致误匹配

我来帮你搞定这个匹配问题！你的代码之所以会出现82.5和82.0误匹配的情况，核心问题是没有按Cntr No做分组匹配，而是全局检查整个列的数值，导致逻辑完全跑偏了。我们一步步来修复：

原代码的问题分析 #

你的代码里：

df['Tally'] = ((df_co['Cntr No'].isin(df['Cntr No'])) & ((df_co['Labour'].isin(df['Total'])) | (df_co['Material'].isin(df['Total'])) | (df_co['Amount'].isin(df['Total'])))).map({True:'Yes',False:'No'})

存在两个关键错误：

• 全局检查而非分组匹配：df_co['Cntr No'].isin(df['Cntr No'])只是确认这个集装箱号在df中存在，但没有限定只匹配同一集装箱号下的Total值；同理，df_co['Amount'].isin(df['Total'])是检查整个df的Total列有没有这个值，而不是同一Cntr No下的Total。
• 行数不兼容风险：直接把df_co的布尔结果赋值给df，一旦两个DataFrame行数不同，会触发广播机制，逻辑彻底混乱。

正确的解决方案 #

这里有两种靠谱的实现方式，都能精准按Cntr No分组匹配：

方法一：用分组构建有效值集合（简洁高效） #

先为每个集装箱号收集df_co里所有需要匹配的数值（Labour、Material、Amount），再逐行检查df的Total是否在对应集合里：

# 为每个Cntr No整理出所有可匹配的数值列表
valid_values = df_co.groupby('Cntr No').apply(
    lambda group: group[['Labour', 'Material', 'Amount']].values.flatten()
).to_dict()

# 给df添加Tally列，判断当前Total是否在对应Cntr No的有效值里
df['Tally'] = df.apply(
    lambda row: 'Yes' if row['Total'] in valid_values.get(row['Cntr No'], []) else 'No',
    axis=1
)

用你的测试数据跑的话：

• valid_values['BHCU 2604370'] 会是 [0.0, 82.5, 82.5, 24.0, 22.0, 46.0]
• df第一行Total=82.0不在这个集合里，返回No；第二行Total=46.0在集合里，返回Yes，完全符合预期。

方法二：用合并（Merge）实现关联匹配（直观严谨） #

如果需要更清晰的关联逻辑，可以把df_co转成长格式，再和df做精准合并：

# 将df_co的三列数值转成长格式，方便匹配
df_co_long = df_co.melt(
    id_vars='Cntr No',
    value_vars=['Labour', 'Material', 'Amount'],
    value_name='MatchValue'
)

# 按Cntr No + Total=MatchValue做左合并，找到匹配项
matched = df.merge(
    df_co_long,
    left_on=['Cntr No', 'Total'],
    right_on=['Cntr No', 'MatchValue'],
    how='left'
)

# 根据是否匹配到结果设置Tally
df['Tally'] = matched['MatchValue'].notna().map({True: 'Yes', False: 'No'})

这个方法能清晰看到每一行的匹配来源，适合处理更复杂的关联场景。

为什么原代码会误匹配？ #

举个例子，如果你的数据里还有另一个集装箱号ABCU 123456，它的Total值正好是82.5，那原代码里df_co['Amount'].isin(df['Total'])就会返回True，导致BHCU 2604370的行错误地被标记为Yes——这就是全局检查的坑！

内容的提问来源于stack exchange，提问作者okl