如何使用列表更新Pandas DataFrame中的多行数据？

初始数据与需求 #

初始DataFrame结构与数据：

A  B  C
0  1  a  F
1  2  b  F
2  3  c  F
3  4  d  F
4  5  e  F

需要根据列表names=['a', 'd', 'e']匹配B列元素，将对应列表values=['T', 'T', 'G']的值替换到C列，最终得到目标DataFrame。

实现方法 #

首先构建初始DataFrame及定义所需列表：

import pandas as pd

# 构建初始DataFrame
df = pd.DataFrame({
    'A': [1, 2, 3, 4, 5],
    'B': ['a', 'b', 'c', 'd', 'e'],
    'C': ['F'] * 5
})

names = ['a', 'd', 'e']
values = ['T', 'T', 'G']

方法一：字典映射 + loc精准更新

这是常用且高效的方式，通过字典建立匹配关系后筛选目标行更新：

# 将names和values转为键值对映射字典
replace_map = dict(zip(names, values))
# 筛选B列在names中的行，更新对应C列的值
df.loc[df['B'].isin(names), 'C'] = df.loc[df['B'].isin(names), 'B'].map(replace_map)

先用isin定位需要更新的行，再通过map将B列的匹配值映射为对应新值，直接赋值给C列的目标行，不会改动其他行的C值。

方法二：apply逐行判断替换

逻辑直观，适合新手理解：

replace_map = dict(zip(names, values))
# 逐行判断，匹配则替换，否则保留原值
df['C'] = df.apply(lambda row: replace_map[row['B']] if row['B'] in replace_map else row['C'], axis=1)

通过apply遍历每一行，检查当前行B列的值是否在映射字典中，是则替换C列值，否则保留原C值。

方法三：numpy.where向量式替换

适合大数据量场景，向量化操作比逐行遍历效率更高：

import numpy as np

replace_map = dict(zip(names, values))
# 向量式条件判断，批量更新
df['C'] = np.where(df['B'].isin(names), df['B'].map(replace_map), df['C'])

np.where批量处理所有行，第一个参数是判断条件（B列值在names中），第二个参数是满足条件时的替换值，第三个参数是不满足条件时的原值。

最终结果 #

执行任意一种方法后，DataFrame都会变为：

A  B  C
0  1  a  T
1  2  b  F
2  3  c  F
3  4  d  T
4  5  e  G

内容的提问来源于stack exchange，提问作者winter