如何通过匹配weakness列使用df2填充df1中type列的NaN值

我明白你遇到的问题了——update()和fillna()默认是按索引匹配的，而你需要的是基于weakness列的映射填充，这两个方法自然达不到预期效果。下面是一个简单高效的解决方案：

步骤1：创建weakness到type的映射字典 #

首先把df2转换成一个以weakness为键、type为值的字典，这样我们就能快速通过weakness值找到对应的type：

# 从df2生成映射字典
weakness_type_map = df2.set_index('weakness')['type'].to_dict()

步骤2：用映射字典填充df1的type列 #

接下来使用fillna()结合map()方法，针对df1中type为NaN的行，通过weakness列匹配字典中的值进行填充：

# 填充df1的type列NaN值
df1['type'] = df1['type'].fillna(df1['weakness'].map(weakness_type_map))

为什么这个方法有效？ #

• map(weakness_type_map)会遍历df1的weakness列，把每个weakness值替换成字典中对应的type，生成一个新的Series
• fillna()会只把这个新Series中的值填充到原type列的NaN位置，不会覆盖已有的有效值

验证示例 #

比如你提到的第8、9行，它们的weakness是flying，对应字典中的值是fighting，执行上面的代码后，这两行的type就会被正确填充为fighting。

如果你的df2中存在重复的weakness值，建议先对df2做去重处理（比如取第一个出现的记录）：

# 去重，保留每个weakness的第一条记录
df2_unique = df2.drop_duplicates(subset='weakness', keep='first')
weakness_type_map = df2_unique.set_index('weakness')['type'].to_dict()

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