Python实现：用匹配DataFrame条目替换目标DataFrame列缺失值

嘿，这个需求其实很常见，用pandas的几个方法就能轻松搞定。我来给你一步步拆解：

首先先确认下你的示例数据：

import pandas as pd
import numpy as np

df1 = pd.DataFrame({'A': [1,2,3,4,5,6,7,8], 'b': [101,123,np.nan,678,np.nan,672,np.nan,786], 'C': ['ABC', 'DER', 'ERC','DFE','HJI','JKL','SDH',np.Nan]})
df2 = pd.DataFrame({'A': [3,7], 'B': [563,785]})

我们的目标是把df1中b列的缺失值，替换成df2中同A值匹配的B值，同时保留那些df2中没有对应A值的缺失项（比如df1里A=5的b缺失，依然保留NaN）。

方法一：字典映射（高效推荐） #

这种方法速度快，适合大数据量场景：

# 把df2转换成以A为键、B为值的映射字典
b_mapping = df2.set_index('A')['B'].to_dict()

# 填充df1的b列缺失值
df1['b'] = df1['b'].fillna(df1['A'].map(b_mapping))

运行后你就能得到期望的结果：

A      b    C
0  1  101.0  ABC
1  2  123.0  DER
2  3  563.0  ERC
3  4  678.0  DFE
4  5    NaN  HJI
5  6  672.0  JKL
6  7  785.0  SDH
7  8  786.0  NaN

原理说明：

• df2.set_index('A')['B'].to_dict() 把df2转成了{3:563, 7:785}这样的字典，方便快速查找。
• df1['A'].map(b_mapping)会生成一个序列：只有A=3和A=7的位置有对应值，其他都是NaN。
• fillna()只会替换b列原本的缺失值，完美匹配你的需求。

方法二：左连接填充（直观易懂） #

如果你对join操作更熟悉，也可以用merge的方式：

# 左连接df1和df2，保留df1的所有行
merged_df = df1.merge(df2, on='A', how='left')
# 用B列的值填充b列的缺失
df1['b'] = merged_df['b'].fillna(merged_df['B'])

这个方法逻辑更直观：先把两个表按A值关联，再用关联后的B值去填充缺失的b，效果和方法一完全一致。

两种方法都能满足你的需求，你可以根据自己的习惯和数据规模选择~

内容的提问来源于stack exchange，提问作者Poo