在Pandas的实际数据处理场景中，不同结构的DataFrame整列复制是高频操作，比如数据清洗时需要将源表的特定列迁移到目标表，或者多表合并时对齐不同结构的字段。如果方法选择不当，很容易出现数据错位、效率低下的问题。
基础场景：列名一致但顺序不同
如果两个DataFrame的列名完全相同，只是列的顺序不一样，直接通过列名列表赋值是最简单高效的方式，Pandas会自动按照列名对齐数据，不需要额外处理顺序问题。
import pandas as pd
# 创建源DataFrame
source_df = pd.DataFrame({
'id': [1, 2, 3],
'name': ['张三', '李四', '王五'],
'age': [20, 25, 22]
})
# 创建目标DataFrame，列名相同但顺序不同，还有额外列
target_df = pd.DataFrame({
'age': [0, 0, 0],
'id': [0, 0, 0],
'score': [0, 0, 0],
'name': ['', '', '']
})
# 直接按列名复制，自动对齐
target_df[['id', 'name', 'age']] = source_df[['id', 'name', 'age']]
print(target_df)进阶场景：列名不同需要映射
当源表和目标表的列名不一致时，需要先建立列名映射关系，再通过映射后的列名完成复制，避免手动逐个赋值。
import pandas as pd
source_df = pd.DataFrame({
'user_id': [1, 2, 3],
'user_name': ['张三', '李四', '王五'],
'user_age': [20, 25, 22]
})
target_df = pd.DataFrame({
'id': [0, 0, 0],
'name': ['', '', ''],
'age': [0, 0, 0],
'address': ['', '', '']
})
# 定义列名映射关系：源列名 -> 目标列名
col_map = {
'user_id': 'id',
'user_name': 'name',
'user_age': 'age'
}
# 遍历映射关系完成复制
for src_col, tar_col in col_map.items():
if src_col in source_df.columns and tar_col in target_df.columns:
target_df[tar_col] = source_df[src_col]
print(target_df)特殊情况：处理行数不一致的问题
如果两个DataFrame的行数不同，直接复制会出现长度不匹配的错误，此时可以结合reindex方法对齐行索引，或者用默认值填充缺失部分。
import pandas as pd
# 源表3行数据
source_df = pd.DataFrame({
'id': [1, 2, 3],
'name': ['张三', '李四', '王五']
})
# 目标表5行数据
target_df = pd.DataFrame({
'id': [0, 0, 0, 0, 0],
'name': ['', '', '', '', ''],
'score': [0, 0, 0, 0, 0]
})
# 将源表索引重置，对齐目标表的行数，不足的部分用NaN填充
aligned_source = source_df.reindex(target_df.index)
# 复制对齐后的列到目标表
target_df['name'] = aligned_source['name']
# 填充NaN为默认值
target_df['name'] = target_df['name'].fillna('未知')
print(target_df)性能对比与选择建议
不同复制方法的性能差异主要体现在数据量较大时，我们可以通过简单的测试对比几种方法的耗时：
| 方法 | 适用场景 | 性能表现 |
|---|---|---|
| 直接列名赋值 | 列名一致、结构相似 | 最优，底层是向量化操作 |
| 列名映射循环赋值 | 列名不同、少量列复制 | 较好，循环次数少时影响可忽略 |
| 逐行遍历赋值 | 无特殊场景不推荐 | 最差，Python层循环耗时极高 |
实际使用中，优先选择向量化的直接赋值方式，只有在列名需要映射或者有特殊逻辑处理时，再使用循环赋值，绝对避免逐行遍历的方式处理整列复制，这样才能保证数据处理的效率。
注意：复制列时如果目标列已经存在，会直接覆盖原有数据，操作前建议先备份目标DataFrame，避免数据丢失。