如何用DataFrame2的值修正DataFrame1对应Product_ID的count与weight？

需求：使用DataFrame2中的count和weight值，替换DataFrame1中相同Product_ID对应的这两个字段，同时保留date字段不变。

原始数据 #

DataFrame1 #

Product_ID  count  weight       date
0      pid_1      2      10  1/01/2023
1      pid_1      3      20  1/02/2023
2      pid_2      4      30  1/01/2023
3      pid_2      2      40  1/02/2023
4      pid_3      3      50  1/01/2023 
5      pid_4      6      100 1/01/2023

DataFrame2 #

Product_ID  count  weight
0      pid_1      2      10
1      pid_2      3      20
2      pid_3      4      30

期望输出 #

Product_ID  count  weight       date
0      pid_1      2      10  1/01/2023
1      pid_1      2      10  1/02/2023
2      pid_2      3      20  1/01/2023
3      pid_2      3      20  1/02/2023
4      pid_3      4      30  1/01/2023
5      pid_4      6      100 1/01/2023

解决方案 #

推荐使用向量化操作（比循环更高效，适合大数据量）：

import pandas as pd

# 初始化两个DataFrame
df1 = pd.DataFrame({
    'Product_ID': ['pid_1', 'pid_1', 'pid_2', 'pid_2', 'pid_3', 'pid_4'],
    'count': [2, 3, 4, 2, 3, 6],
    'weight': [10, 20, 30, 40, 50, 100],
    'date': ['1/01/2023', '1/02/2023', '1/01/2023', '1/02/2023', '1/01/2023', '1/01/2023']
})

df2 = pd.DataFrame({
    'Product_ID': ['pid_1', 'pid_2', 'pid_3'],
    'count': [2, 3, 4],
    'weight': [10, 20, 30]
})

# 将df2以Product_ID为索引，方便映射
df2_indexed = df2.set_index('Product_ID')

# 替换count字段：匹配到则用df2的值，否则保留原值
df1['count'] = df1['Product_ID'].map(df2_indexed['count']).fillna(df1['count']).astype(int)

# 替换weight字段：逻辑同上
df1['weight'] = df1['Product_ID'].map(df2_indexed['weight']).fillna(df1['weight']).astype(int)

# 查看结果
print(df1)

代码说明 #

1. df2.set_index('Product_ID')：把df2的索引设为Product_ID，后续可通过Product_ID快速查找对应的count和weight值。
2. map(df2_indexed['count'])：根据df1的Product_ID，从df2_indexed中取出对应的count值，未匹配到的会返回NaN。
3. fillna(df1['count'])：把NaN替换为df1原来的count值，保证未在df2中出现的Product_ID（如pid_4）保留原始数据。
4. astype(int)：由于fillna后数据类型可能变为float，转成int保持数值类型一致。

内容的提问来源于stack exchange，提问作者Pra