如何基于多键递归匹配并更新DataFrame指定列的值

嘿，这个需求我熟！咱们直接用Pandas就能搞定，完全符合你的要求——不新增列，只修改原df1的C列，基于A、B两列匹配df2的值进行更新，哪怕是十万行的大数据集也能高效运行。

先明确核心逻辑：找到df1中A、B列和df2完全匹配的行，用df2的C值覆盖df1对应行的C值，未匹配到的行保持原C值不变。下面给你两种实用方法：

方法一：字典映射法（高效推荐） #

先把df2转换成以(A,B)元组为键的字典，再用这个字典去匹配df1的对应行，这种方法在大数据集上的运行速度更快。

代码示例： #

import pandas as pd

# 构造示例数据（替换成你的真实数据即可）
data1 = [
    ["monkey", "zoo", 0],
    ["donkey", "farm", 0],
    ["dog", "house", 0],
    ["monkey", "house", 0],
    ["donkey", "zoo", 0]
]
df1 = pd.DataFrame(data1, columns=["A", "B", "C"])

data2 = [
    ["monkey", "zoo", 1],
    ["dog", "house", 2],
    ["donkey", "zoo", 3]
]
df2 = pd.DataFrame(data2, columns=["A", "B", "C"])

# 1. 创建匹配字典：键为(A,B)元组，值为df2对应的C值
update_mapping = df2.set_index(["A", "B"])["C"].to_dict()

# 2. 匹配更新df1的C列：匹配到就用字典值，没匹配到保留原C值
df1["C"] = df1[["A", "B"]].apply(tuple, axis=1).map(update_mapping).fillna(df1["C"]).astype(int)

方法二：Merge合并法（直观易懂） #

通过merge将两个DataFrame按A、B列合并，再用合并后的新值覆盖原C列，逻辑更直观，适合刚接触Pandas的同学。

代码示例： #

# 同样先构造示例数据（省略重复部分）

# 1. 按A、B列左合并，保留df1的所有行，新增df2的C列（命名为C_new）
merged_df = df1.merge(df2, on=["A", "B"], how="left", suffixes=("", "_new"))

# 2. 用C_new的值替换原C列，未匹配到的行保留原C值
df1["C"] = merged_df["C_new"].fillna(merged_df["C"]).astype(int)

关于“递归式更新”的说明 #

如果你的“递归式更新”是指需要多次用不同的df2版本更新df1，直接重复上面的方法即可——每次更新都是基于df1当前的C列值，匹配到新的df2数据就替换，未匹配的保留当前值，完全符合递归更新的需求。

运行完上面的代码后，你就能得到期望的结果：匹配到的行C值被替换，未匹配的保持原0值，且完全在原df1的C列上修改，没有新增列。

内容的提问来源于stack exchange，提问作者QuestionMan