如何高效循环Pandas DataFrame中的值以更新指定行？

不用逐行循环，用Pandas的向量化操作就能高效解决这个问题，核心是先筛选出需要更新的行，再生成对应长度的循环名称序列批量赋值。

完整代码实现 #

import pandas as pd
import numpy as np

# 构造待修改的DataFrame（可替换为你的数据源）
df = pd.DataFrame({
    'Rule': [12,9,7,1,3,2,4,6,9,4,1,4,5,2,11,6,9,2,10,3,10,3,1,4,4,3,7,7,12],
    'Name': [np.nan]*29
})

# 构造Names DataFrame
names_df = pd.DataFrame({'Name': ['Adams', 'Baker', 'Clark', 'Davis']})
names_list = names_df['Name'].tolist()

# 定义需要匹配的Rule集合
target_rules = {4,5,6,10,11,12}

# 筛选出需要更新名称的行
update_mask = df['Rule'].isin(target_rules)

# 生成循环的名称序列：重复Names列表直到覆盖所有需要更新的行
total_needs_update = update_mask.sum()
cycled_names = np.tile(names_list, (total_needs_update // len(names_list)) + 1)[:total_needs_update]

# 批量赋值
df.loc[update_mask, 'Name'] = cycled_names

代码说明 #

1. 筛选目标行：用isin()快速定位所有Rule属于指定集合的行，得到布尔索引update_mask。
2. 生成循环序列：用np.tile()把Names列表重复足够多的次数，再截取到需要的长度，确保刚好覆盖所有待更新行，实现循环复用。
3. 批量赋值：通过df.loc[mask, column]直接批量赋值，比逐行循环效率高得多，也避免了vectorize方法中因缺少计数器导致的重复同一名称问题。

为什么之前的vectorize方法失效？ #

numpy.vectorize()本质是对每个元素单独处理，如果没有在内部维护递增计数器来循环取Names里的元素，就会每次返回同一个值。而上面的方法直接生成完整的循环序列再批量赋值，更符合Pandas的向量化设计思路，效率更高。

内容的提问来源于stack exchange，提问作者user1574881