Pandas：替换DataFrame指定列子集值失败，求解决方法及原因

错误原因 #

你代码中详情列赋值失败的核心是Pandas的索引对齐机制：
当执行df.loc[df['Name'] == row['NameReplace'], detailsList] = row[detailsList]时，右侧的row[detailsList]是一个以列名为索引的Series（比如Age:25, Height:175），而左侧选中的行索引是数字（0、2等）。Pandas会尝试将两者的索引对齐，由于索引类型完全不匹配，导致赋值无法生效，最终保留NaN。

另外，你原代码中先替换Name再用新Name匹配的逻辑其实可以优化——替换后的行就是最初匹配row['Name']的那些行，没必要重新匹配，反而可能引入潜在的重名风险。

方案1：修复原循环逻辑 #

保留循环写法的前提下，将右侧的Series转为无索引的数组，跳过索引对齐，同时复用初始匹配的mask：

import pandas

df = pandas.DataFrame([["John", None, None],["Phil", None, None],["John", None, None],["Bob", None, None]], columns=["Name", "Age", "Height"])
replace = pandas.DataFrame([["John", "Dom", 25, 175],["Phil", "Kevin", 56, 145],["Bob", "Michael", 33, 180]], columns=["Name", "NameReplace", "Age", "Height"])

detailsList = ["Age", "Height"]

for _, row in replace.iterrows():
    # 匹配原始Name的行
    mask = df['Name'] == row['Name']
    # 替换Name
    df.loc[mask, 'Name'] = row['NameReplace']
    # 转成numpy数组赋值，跳过索引对齐
    df.loc[mask, detailsList] = row[detailsList].to_numpy()

print(df)

执行后即可得到期望输出。

方案2：向量化实现（推荐） #

Pandas的循环效率极低，尤其处理大数据时，推荐用向量化操作替代循环：

import pandas

df = pandas.DataFrame([["John", None, None],["Phil", None, None],["John", None, None],["Bob", None, None]], columns=["Name", "Age", "Height"])
replace = pandas.DataFrame([["John", "Dom", 25, 175],["Phil", "Kevin", 56, 145],["Bob", "Michael", 33, 180]], columns=["Name", "NameReplace", "Age", "Height"])

detailsList = ["Age", "Height"]

# 1. 替换Name列：用映射字典完成批量替换
name_replace_map = replace.set_index('Name')['NameReplace'].to_dict()
df['Name'] = df['Name'].map(name_replace_map)

# 2. 填充详情列：通过索引合并完成批量赋值
replace_details = replace[['NameReplace'] + detailsList].set_index('NameReplace')
df = df.set_index('Name').combine_first(replace_details).reset_index().rename(columns={'index': 'Name'})

print(df)

这种方法完全避免循环，性能提升显著，同时逻辑更清晰。

内容的提问来源于stack exchange，提问作者Ineruditus