python pandas series加速原理_在python中使用pandas加速类似vlookup的操作

我已经编写了一些代码，基本上对两个pandas数据帧执行excel风格的vlookup，并希望加快速度。在

数据帧的结构如下：

数据库1_数据框列：

'VALUE'、'COUNT'、'GRID'、'SGO10GEO'

合并_数据框列：

“网格”、“ST0”、“ST1”、“ST2”、“ST3”、“ST4”、“ST5”、“ST6”、“ST7”、“ST8”、“ST9”、“ST10”

sgo公司_数据框列：

'mkey'，'类型'

为了合并它们，我做了以下操作：

1对于dbase1_df中的每一行，查找其“SGO10GEO”值与sgo_df的“mkey”值匹配的行。从sgo_df的该行中获取“type”。在“type”包含从0到10的整数。通过在类型中附加'ST'来创建列名。

在merged_df中找到值，其中它的“GRID”值与dbase1_df中的“GRID”值匹配，列名是我们在步骤2中获得的。将此值输出到csv文件中。

//将dbase1 dbf读入数据帧

dbase1_df=pandas.DataFrame.from\u csv(dbase1_文件，index_col=False)

合并的_df=pandas.DataFrame.from\u csv('合并.csv'，索引_col=False)

卢普_写出来的([“值”，“类型”，提取_变量上限()])

//对于dbase1数据帧中的每个唯一值：

对于索引，d