如何用字典优雅批量更新Pandas DataFrame行至NA/NaN值？

你当前通过字典更新DataFrame行的代码如下：

import pandas as pd

# 由其他方法提供的字典
update_dict = {'id': 1, 'col1': 1, 'col2': 2}

upd_dict = {key: [val] for key, val in update_dict.items()}
upd_row = pd.DataFrame.from_records(upd_dict, index='id')
df.update(upd_row)

正如你所说，update()方法无法将单元格设置为NA/NaN，逐个遍历赋值又不够高效。这里有两种优雅的批量更新方案，支持直接设置NA/NaN值：

方案1：利用df.loc直接批量赋值 #

先提取目标行的索引（即字典中的id值），过滤出DataFrame中存在的列，再直接通过loc定位目标行的指定列完成批量赋值：

import pandas as pd
import numpy as np

# 示例DataFrame（已将id设为索引）
df = pd.DataFrame({'id': [1,2,3], 'col1': [0,0,0], 'col2': [0,0,0]}).set_index('id')

# 包含NA的更新字典
update_dict = {'id': 1, 'col1': np.nan, 'col2': 2, 'col3': 99}  # col3为DF中不存在的列

row_idx = update_dict.pop('id')
# 过滤出DataFrame中存在的列，避免KeyError
valid_cols = [col for col in update_dict.keys() if col in df.columns]
if valid_cols:
    # 一次性批量赋值，支持NA/NaN
    df.loc[row_idx, valid_cols] = [update_dict[col] for col in valid_cols]

这种方法直接定位目标行的有效列，一步完成赋值，完全满足批量更新需求，且天然支持NA/NaN。

方案2：将字典转为Series后赋值 #

把字典转为pd.Series，让Series的索引自动匹配DataFrame的列名，再直接赋值给目标行：

import pandas as pd
import numpy as np

df = pd.DataFrame({'id': [1,2,3], 'col1': [0,0,0], 'col2': [0,0,0]}).set_index('id')
update_dict = {'id': 1, 'col1': np.nan, 'col2': 2}

row_idx = update_dict.pop('id')
# 转为Series，自动匹配DF列名，不存在的列会被忽略
update_series = pd.Series(update_dict)
# 赋值给目标行
df.loc[row_idx] = update_series

这种写法更直观，Series会自动对齐DataFrame的列，确保赋值对应正确，同样支持NA/NaN的批量设置。

额外说明 #

如果你的DataFrame未将id设为索引，只需调整行索引的定位方式，比如用df[df['id'] == row_idx].index[0]来获取目标行的位置即可。

内容的提问来源于stack exchange，提问作者Nick