Pandas：如何根据其他列值为ranking列填充对应数据？

你的代码逻辑思路是对的，但没达到预期效果，大概率是数据类型不匹配或者小细节踩坑了，咱们来一步步解决：

1. 最可能的元凶：年份列的数据类型不匹配 #

当你用pd.read_csv读取CSV文件时，year列很可能被自动解析成了字符串类型（比如值是'2010'而非整数2010），但你的rankings元组里的年份是整数类型。这时候df['year'] == tuple[2]的判断会全部返回False，自然无法填充排名数据。

你可以先验证一下数据类型：

print(df.dtypes)

如果输出里year的类型是object，那就是这个问题没跑了。

2. 快速修复方法 #

方案一：读取文件时指定年份类型 #

读取CSV时直接指定year列的类型为整数，从根源避免类型不匹配：

df = pd.read_csv('preliminary.csv', dtype={'year': int})

之后再运行你的循环代码，应该就能正常匹配填充了。

方案二：在匹配时统一数据类型 #

如果不想重新读取文件，也可以在判断条件里统一两边的类型：

# 注意：别用tuple当变量名，会覆盖Python内置的tuple类型
for team_rank in rankings:
    # 把元组里的年份转成字符串，和df里的year匹配
    df.loc[(df['team'] == team_rank[0]) & (df['year'] == str(team_rank[2])), 'ranking'] = team_rank[1]

或者把DataFrame里的year列转成整数：

df['year'] = df['year'].astype(int)
for team_rank in rankings:
    df.loc[(df['team'] == team_rank[0]) & (df['year'] == team_rank[2]), 'ranking'] = team_rank[1]

3. 更高效的进阶方案：用Merge替代循环 #

其实用循环处理这类匹配效率很低，尤其是数据量较大的时候。更推荐把rankings转成DataFrame，然后用Pandas的merge方法来批量匹配：

# 将排名元组转为DataFrame
rank_df = pd.DataFrame(rankings, columns=['team', 'ranking', 'year'])
# 以team和year为键，左合并两个DataFrame
df = df.merge(rank_df, on=['team', 'year'], how='left', suffixes=('', '_new'))
# 用新填充的排名替换原有的N/A值
df['ranking'] = df['ranking_new'].fillna(df['ranking'])
# 清理临时列
df = df.drop('ranking_new', axis=1)

这种方法不仅代码更简洁，运行效率也高得多，还能避免循环里的各种潜在问题。

小提醒：别用tuple当变量名 #

你的循环里用tuple作为变量名，这会覆盖Python内置的tuple类型——虽然不会立刻报错，但后续如果要使用tuple()函数时会出问题，建议改成team_rank之类的名字。

内容的提问来源于stack exchange，提问作者PEREZje