本文介绍如何将第二个 dataframe 中与第一个 dataframe 共享主键（如 ‘name’ 列）的行数据，按列数值累加到第一个 dataframe 对应行中，忽略不匹配的行，并保持原始键的完整性。
本文介绍如何将第二个 dataframe 中与第一个 dataframe 共享主键（如 ‘name’ 列）的行数据，按列数值累加到第一个 dataframe 对应行中，忽略不匹配的行，并保持原始键的完整性。
在数据分析实践中，常需对多个来源的同类记录进行“增量聚合”——即仅对已存在的实体（如用户、球员、产品）更新其指标，而不引入新实体、也不覆盖主键字段。本例中，df1 是基准数据表，df2 是增量更新表；目标是：仅当 df2 中某行的 ‘name’ 在 df1 中已存在时，才将其数值列（’goals’, ‘minutes’）加到 df1 对应行上，且 ‘name’ 本身不参与运算或重复写入。
最简洁、高效且符合 pandas 惯用法的解决方案是采用三步链式操作：
- 筛选并拼接：保留 df2 中 ‘name’ 出现在 df1 中的所有行，再与 df1 垂直拼接（pd.concat）；
- 分组聚合：以 ‘name’ 为键分组，对所有数值列执行 sum()（自动跳过非数值列，且天然支持多列统一累加）；
- 恢复结构：调用 .reset_index() 将分组键转回普通列，得到标准 DataFrame。
以下是完整可运行代码：
import pandas as pd df1 = pd.DataFrame([ {'name': 'Ben', 'goals': 1, 'minutes': 90}, {'name': 'Bob', 'goals': 1, 'minutes': 64}, {'name': 'Kevin', 'goals': 1, 'minutes': 90} ]) df2 = pd.DataFrame([ {'name': 'Ben', 'goals': 1, 'minutes': 88}, {'name': 'Kevin', 'goals': 1, 'minutes': 3}, {'name': 'Steve', 'goals': 1, 'minutes': 13} ]) # 核心逻辑：筛选 + 拼接 + 分组求和 + 重置索引 result = ( pd.concat([df1, df2.loc[df2["name"].isin(df1["name"])]]) .groupby("name", as_index=False) .sum() ) print(result)输出：
name goals minutes 0 Ben 2 178 1 Bob 1 64 2 Kevin 2 93✅ 关键优势说明：
- 健壮性高：groupby(…).sum() 自动处理缺失列、空值（默认跳过），且无需预设列名；
- 无副作用：不修改原 df1 或 df2，符合函数式编程原则；
- 可扩展性强：若后续新增数值列（如 ‘assists’），代码无需更改；
- 性能优秀：避免显式循环和逐行索引查找（如 iloc[position]），充分利用 pandas 向量化操作。
⚠️ 注意事项：
- 确保 ‘name’ 列类型一致（如均为 str），否则 isin() 可能返回意外结果；建议前置校验：df1[‘name’].dtype == df2[‘name’].dtype；
- 若需保留 df1 中原始行顺序（如 ‘Bob’ 必须排第二），而 groupby 默认按字典序排序，可在最后按 df1[‘name’] 顺序重排：
result = result.set_index('name').reindex(df1['name']).reset_index() - 该方法假设所有数值列均需累加；若需对不同列应用不同聚合逻辑（如 ‘minutes’ 取最大值、’goals’ 取和），则应改用 agg({‘goals’: ‘sum’, ‘minutes’: ‘max’})。
综上，此方案以声明式语法精准表达了业务意图：「对交集键做数值列累加」，兼顾可读性、性能与可维护性，是 pandas 数据融合任务中的推荐实践。