这里不需要groupby函数;相反，只需使用merge。正如这些文档中所述，
如果两个键列都包含键为空值的行，则这些行将相互匹配。这与通常的SQL连接行为不同，可能会导致意外结果。
而且你的两个 Dataframe 都包含ID。因此，你可以用下面的代码合并 Dataframe （这只是一种方法，但它确实有效）：

import pandas as pd

# Example dataframes - these might be defined elsewhere in your situation
data_a = {'ID': [1, 1, 1, 1, 2, 2, 3, 3, 3],
          'irrelevant_value': [1.2, 2.3, 0.9, 1.1, 2.7, 3.1, 1.3, 0.2, 2.3]}
df_a = pd.DataFrame(data_a)

data_b = {'ID': [1, 2, 3],
          'add_these_values_to_the_same_ID': [100, 120, 90]}
df_b = pd.DataFrame(data_b)

# Merge dataframes on the 'ID' column
result = df_a.merge(df_b, on='ID')

print(result)

真正重要的一行是：

result = df_a.merge(df_b, on='ID')

这将输出：

ID  irrelevant_value  add_these_values_to_the_same_ID
0   1               1.2                             100
1   1               2.3                             100
2   1               0.9                             100
3   1               1.1                             100
4   2               2.7                             120
5   2               3.1                             120
6   3               1.3                              90
7   3               0.2                              90
8   3               2.3                              90

这应该可以工作，但如果您的数据不适用于此方法，您可以查看how：
how{‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’}，默认inner要执行的合并类型。

• left：只使用左帧的键，类似于SQL左外连接;保持密钥顺序。
• right：只使用右帧中的键，类似于SQL右外连接;保持密钥顺序。
• outer：使用来自两个帧的键的联合，类似于SQL全外连接;按字典顺序对键排序。
• inner：使用两个帧的键的交集，类似于SQL内部连接;保持左键的顺序。
• cross：从两个帧创建笛卡尔积，保留左键的顺序。

outer可以工作，如果上面的代码不工作。

尝试：dataframe.merge

df_a.merge(other_df, left_on = 'ID', right_on = 'ID')