在Python中如何高效地将一个DataFrame的整列复制到另一个结构不同的DataFrame中？

在Python的数据分析工作中，使用pandas处理DataFrame是日常操作，经常会遇到需要将一个DataFrame的整列数据迁移到另一个结构不同的DataFrame中的需求。如果直接逐行遍历赋值，不仅代码冗余，处理大数据集时效率也会非常低。下面介绍几种高效的实现方式，适配不同的结构差异场景。

场景一：目标DataFrame已有对应列名

如果两个DataFrame的列名一致，只是其他列的结构不同，直接通过列名赋值是最简单高效的方式，pandas会自动对齐索引完成复制。

import pandas as pd

# 源DataFrame，包含id、name、score三列
source_df = pd.DataFrame({
    'id': [1, 2, 3],
    'name': ['张三', '李四', '王五'],
    'score': [90, 85, 95]
})

# 目标DataFrame，结构和源不同，已有name列，还有age列
target_df = pd.DataFrame({
    'name': ['', '', ''],
    'age': [20, 21, 22]
})

# 直接将源DataFrame的name列复制到目标DataFrame的name列
target_df['name'] = source_df['name']
print(target_df)

场景二：目标DataFrame需要新增列

如果目标DataFrame原本没有对应的列，需要新增列并复制数据，同样可以直接赋值，pandas会自动新增列并完成数据填充。

import pandas as pd

source_df = pd.DataFrame({
    'id': [1, 2, 3],
    'score': [90, 85, 95]
})

# 目标DataFrame只有id列
target_df = pd.DataFrame({
    'id': [1, 2, 3]
})

# 新增score列并复制源DataFrame的score列数据
target_df['score'] = source_df['score']
print(target_df)

场景三：索引不一致的情况

如果两个DataFrame的索引不同，直接赋值可能会出现数据错位，这时候可以先重置索引，或者使用reindex方法对齐索引后再复制。

import pandas as pd

# 源DataFrame索引为0、1、2
source_df = pd.DataFrame({
    'score': [90, 85, 95]
}, index=[0, 1, 2])

# 目标DataFrame索引为1、2、3，和源不一致
target_df = pd.DataFrame({
    'id': [2, 3, 4]
}, index=[1, 2, 3])

# 先将源DataFrame的索引重置为默认整数索引，再复制列
source_reset = source_df.reset_index(drop=True)
target_df['score'] = source_reset['score']
print(target_df)

场景四：列名不同的情况

如果两个DataFrame的列名不一样，只需要指定源列和目标列的名称对应关系即可完成复制，不需要修改源DataFrame的结构。

import pandas as pd

source_df = pd.DataFrame({
    'stu_score': [90, 85, 95]  # 源列名为stu_score
})

target_df = pd.DataFrame({
    'id': [1, 2, 3]
})

# 将源的stu_score列复制到目标的score列
target_df['score'] = source_df['stu_score']
print(target_df)

方法对比与注意事项

下面整理几种常用方法的适用场景和特点：

需要注意，如果源DataFrame的列包含缺失值，复制后目标列也会保留缺失值，不需要额外处理。如果目标DataFrame的行数多于源DataFrame，多出来的行对应列会填充为NaN，这是pandas的默认行为，符合大多数数据处理的需求。

PythonpandasDataFrame列复制数据结构转换修改时间：2026-05-28 21:01:29