pandas的merge()函数最接近Excel VLOOKUP行为，通过how='left'和显式on参数实现左连接，保留左表全部行、右表无匹配则填NaN；支持多列匹配、不同列名连接（left_on/right_on），但需注意重复键导致笛卡尔积，右表应预先去重以对齐VLOOKUP仅返回首匹配的逻辑。
直接用 merge() 或 map()，别碰 lookup()（已弃用）和嵌套循环。
用 merge() 实现多列匹配与左连接
这是最接近 Excel VLOOKUP 行为的方案，尤其当你需要返回多个字段、处理重复键或保留左表全部行时。它本质是 SQL 的 LEFT JOIN。
- 默认行为是「左表全量保留，右表只取匹配项」，和 VLOOKUP 找不到就报
#N/A逻辑一致 - 必须显式指定
on=（单列）或left_on=/right_on=（列名不同），不传会按列名自动对齐，容易错 - 右表有重复键时，
merge()会生成笛卡尔积结果，而 Excel VLOOKUP 只返回第一个匹配——此时应先对右表去重：df_lookup.drop_duplicates(subset=['key_col'], keep='first') - 示例：
result = df_main.merge(df_lookup[['key', 'value']], on='key', how='left')
用 map() 快速单列映射
适合一对一映射、右表是 Series（如 df_lookup.set_index('key')['value']），性能比 merge() 高，且天然忽略重复键（只取最后一次出现值）。
-
map()返回NaN表示未匹配，和 VLOOKUP 的#N/A效果一致 - 不能直接映射多列；若需多字段，得多次
map()或改用merge() - 注意索引类型：如果
key是字符串但左表里混有数字，map()不会隐式转换，会全返回NaN - 示例：
df_main['value'] = df_main['key'].map(df_lookup.set_index('key')['value'])
为什么不用 lookup()？
lookup() 在 Pandas 1.2.0 中已被标记为弃用，1.4.0 起彻底移除。它设计初衷是行列位置查找（类似 Excel 的 INDEX+MATCH 组合），不是键值匹配，语义和 VLOOKUP 不符。
- 它依赖整数位置而非标签，输入
row_labels和col_labels会被强制转成位置索引，极易出错 - 不支持缺失值对齐，也不检查 key 是否存在，静默失败风险高
- 社区已明确推荐
merge()/map()/join()替代
真正难的不是选哪个函数，而是右表键是否干净：空格、大小写、数据类型不一致、隐藏控制字符——这些都会让 map() 全返回 NaN，merge() 匹配行数为 0，却不会报错提醒你。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
