求助：基于字典匹配DataFrame指定列并替换对应列值的实现方案

这里有几种简洁高效的方法可以实现你的需求：

方法1：map + fillna（推荐） #

利用map根据id匹配字典值，再用fillna保留原列中不需要替换的值：

import pandas as pd

df = pd.DataFrame({"id": [1, 2, 3],
                   "result": [100, 200, 300]})

new_values = {1: 1000, 3: 3000}

# 执行替换
df['result'] = df['id'].map(new_values).fillna(df['result'])
# 可选：将结果转回整数类型（map后会默认转为float）
df['result'] = df['result'].astype(int)

print(df)

输出结果：

id  result
0   1    1000
1   2     200
2   3    3000

原理：df['id'].map(new_values)会将匹配字典键的id转换成对应值，不匹配的返回NaN；fillna(df['result'])用原result列的值填充这些NaN，最终得到目标结果。

方法2：loc精准定位替换 #

通过布尔索引筛选出需要替换的行，直接赋值：

import pandas as pd

df = pd.DataFrame({"id": [1, 2, 3],
                   "result": [100, 200, 300]})

new_values = {1: 1000, 3: 3000}

# 筛选id在字典键中的行，替换result列
df.loc[df['id'].isin(new_values.keys()), 'result'] = df['id'].map(new_values)

print(df)

这个方法更直观，只对符合条件的行进行修改，不会改变其他行的result值。

方法3：replace映射替换 #

利用replace的字典映射功能，结合id列作为匹配依据：

import pandas as pd

df = pd.DataFrame({"id": [1, 2, 3],
                   "result": [100, 200, 300]})

new_values = {1: 1000, 3: 3000}

# 构建原result值到新值的映射字典
replace_map = df.set_index('id')['result'].replace(new_values)
df['result'] = df['id'].map(replace_map)

print(df)

这个方法先构建了原result和新值的映射关系，再通过id匹配替换，适合更复杂的映射场景。

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