Печать всех вхождений сопоставленных данных из 2 кадров данных в пандах

Здесь вы не ищете issubset, так как это будет работать, только если значения в одном столбце являются подмножеством значений в другом, например, все значения df2['Name_Fi'] содержатся в df1['SAP_Sec']. Вместо этого вы можете использовать set.intersection или синтаксический сахар & проверить, нет ли совпадений.

Вы можете комбинировать эту идею с collections.defaultdict получить желаемый результат:

from collections import defaultdict

d = defaultdict(list)
for col2, v2 in set2.items():
    for col1, v1 in dfs1.items():
        cond = set(v2) & set(v1)
        if cond:
            d[col2].append(col1)

print(d)

defaultdict(<class 'list'>, {'Name_Fi': ['SAP_Name', 'SAP_Sec'],
                             'Class': ['SAP_Class']})

Более эффективно, вы можете рассчитать set объектов в своих целях, чтобы избежать явного преобразования в ваш вложенный цикл:

from collections import defaultdict

dfs1 = {col1: set(df1[col1]) for col1 in df1}
set2 = {col2: set(df2[col2]) for col2 in df2}

d = defaultdict(list)

for col2, v2 in set2.items():
    for col1, v1 in dfs1.items():
        if v2 & v1:
            d[col2].append(col1)

print(d)

Для больших массивов вы можете использовать pd.Series.unique + any с выражением генератора более эффективным:

import pandas as pd
import numpy as np

np.random.seed(0)
A = pd.Series(np.random.randint(0, 1000, 10000)).unique()
B = pd.Series(np.random.randint(0, 100000, 10000)).unique()

%timeit np.in1d(B, A).any()     # 1.1 ms per loop
%timeit set(A) & set(B)         # 1.46 ms per loop
%timeit any(i in B for i in A)  # 102 µs per loop