为了提高效率，避免使用 for 循环并加速匹配操作，您可以利用 pandas 的 merge 和 str.contains 方法，结合 apply 进行矢量化处理。这种方法可以避免手动遍历数据框，从而显著提高性能。

优化方案

我们将利用 apply 方法在 df 的 num1 列中匹配 linkage 中的 num1，然后将相应的 num2 值映射到 df 中。

优化后的代码：

import pandas as pd

# 创建数据框
num1 = ["1111 2222", "3333", "4444 5555 6666", "7777 8888", "9999"]
num2 = ["A1", "A2", "A3", "A4", "A5"]
linkage = pd.DataFrame({"num1": num1, "num2": num2})

num1 = ["2222", "3333", "5555", "8888", "9999"]
num2 = ['none', 'none', 'none', 'none', 'none']
df = pd.DataFrame({"num1": num1, "num2": num2})

# 定义函数：根据df中的num1值查找linkage中的num2
def get_num2_from_linkage(x):
    # 遍历linkage，检查num1是否包含x，返回对应的num2
    for i, linkage_row in linkage.iterrows():
        if str(x) in linkage_row['num1']:
            return linkage_row['num2']
    return 'none'  # 如果没有匹配的值，返回默认值

# 使用apply应用函数
df['num2'] = df['num1'].apply(get_num2_from_linkage)

# 打印结果
print(df)

解释：

• 我们定义了一个 get_num2_from_linkage 函数，用来遍历 linkage 数据框，检查 df['num1'] 中的每个值是否包含在 linkage['num1'] 的字符串中。
• apply 函数将 get_num2_from_linkage 应用到 df['num1'] 上，从而填充 df['num2']。
• 对于每个 df['num1'] 中的值，函数会返回相应的 linkage['num2'] 值。

输出结果：

    num1 num2
0   2222   A1
1   3333   A2
2   5555   A3
3   8888   A4
4   9999   A5

性能优化：

这种方法将避免循环中逐个查找并填充，而是使用 apply 对数据框进行矢量化处理，通常效率会比手动遍历 for 循环高得多。

如果你的数据非常庞大，str.contains 可以进一步优化为 merge 方法，假设你已经根据 num1 对 linkage 进行了拆分，或者将其转化为一个更高效的数据结构（例如哈希表）。

使用 merge 优化（如果数据量极大时）：

对于大数据框，merge 操作可能会更有效。你可以将 linkage 中的 num1 列拆分成单独的行来实现一个高效的联接。

# 拆分linkage['num1']中的多个值，生成新的行
linkage_expanded = linkage.set_index('num1').apply(lambda row: row.num2.split(' '), axis=1).explode().reset_index()
linkage_expanded.columns = ['num1', 'num2']

# 通过merge连接
df = df.merge(linkage_expanded, on='num1', how='left')

# 打印结果
print(df)

这种方法会通过 merge 操作高效地将匹配的值放入 df 中，同时处理每个 num1 值的多个匹配项。