本文详解如何将一个宽格式 DataFrame（列名为年份）中的数值，根据另一个 DataFrame 的两列（如 NAME 和 YEAR）动态查表填充为新列，核心是利用 set_index().stack() 实现行列联合索引映射。
本文详解如何将一个宽格式 dataframe（列名为年份）中的数值，根据另一个 dataframe 的两列（如 name 和 year）动态查表填充为新列，核心是利用 `set_index().stack()` 实现行列联合索引映射。
在实际数据分析中，常遇到「宽表查值」场景：一个 DataFrame（如 df2）以实体（如人名）为行、属性（如年份）为列，存储标量值；而另一个 DataFrame（如 df1）仅含实体与属性标识（如 NAME 和 YEAR），需据此从宽表中提取对应值生成新列（如 SCORE）。直接 merge 无法解决——因为 df2 的年份是列名而非数据列，需先将其“拉直”为长格式。
关键思路：将宽表 df2 转换为（NAME, YEAR, SCORE）三元组长格式，再与 df1 按 NAME 和 YEAR 双键合并。
最简洁高效的方法是使用 set_index().stack()：
# 步骤1：将 df2 转为长格式（NAME + 年份列 → (NAME, YEAR) 索引 + SCORE 值）
df2_long = (df2
.set_index('NAME') # 以 NAME 为行索引
.stack() # 将所有年份列（2000/2001/2002）压入行，生成 MultiIndex (NAME, YEAR)
.reset_index(name='SCORE') # 展开索引为普通列，并重命名值列为 'SCORE'
.rename(columns={'level_1': 'YEAR'}) # 将原列名（年份）重命名为 'YEAR'
)
# 步骤2：与 df1 按 NAME 和 YEAR 左连接（确保 df1 行数不变）
result = df1.merge(df2_long, on=['NAME', 'YEAR'], how='left')执行后，result 即为所求的带 SCORE 列的完整 DataFrame。
✅ 优势说明：
- 零循环、纯向量化，性能远超 apply 或嵌套 for；
- stack() 自动处理任意数量的年份列（无需硬编码列名）；
- merge 保证匹配逻辑清晰、可处理缺失值（how='left' 保留 df1 所有行，未匹配处 SCORE 为 NaN）。
⚠️ 注意事项：
- df2 中年份列名必须为字符串或可转换为字符串的类型（如整数 2000 会被自动转为 '2000'），且需与 df1['YEAR'] 数据类型一致（建议统一为 str 或 int，避免隐式转换失败）；
- 若 df2 存在重复 NAME 行，set_index 会报错，需先去重或聚合（如 df2.groupby('NAME').first()）；
- stack() 默认忽略 NaN，若宽表中存在空值且需保留，可加参数 dropna=False。
此方法本质是 Pandas 的「透视逆操作」，比手动 melt 更简练——它绕过显式指定 value_vars，直接利用列名作为第二索引维度，是处理此类行列联合查找问题的标准范式。
