基于指定条件，用同结构第二个DataFrame修复第一个DataFrame数值

嘿，这个需求处理起来超简单，用Pandas的内置方法就能轻松搞定！先把你的示例数据贴出来方便大家理解：

import pandas as pd

df1 = pd.DataFrame({'a' : [1,2,3], 'b' : [11,22,33], 'c' : [111,222,333]})
df2 = pd.DataFrame({'a' : [0,-1,-1], 'b' : [-1,-1,-1], 'c' : [1,2,-1]})

你的核心需求是：当df2中对应位置的数值不等于-1时，用df2的值替换df1的对应值；如果df2的值是-1，就保留df1原来的数值。

这里有两个非常直观的向量化方法可以实现，完全不用写循环：

方法1：使用df.where() #

where()的逻辑很直白：当指定条件成立时，保留原DataFrame的值；条件不成立时，用另一个DataFrame的值替换。刚好匹配我们的需求：

result = df1.where(df2 == -1, df2)
print(result)

方法2：使用df.mask() #

mask()和where()是反向逻辑：当条件成立时，用另一个DataFrame的值替换原数据；条件不成立时保留原值。所以我们可以这样写：

result = df1.mask(df2 != -1, df2)
print(result)

两种方法运行后都会得到你想要的结果：

a   b    c
0  0  11    1
1  2  22    2
2  3  33  333

简单唠唠逻辑：

• 方法1里，df2 == -1会生成一个布尔矩阵，当df2的值是-1时为True，此时保留df1的数值；否则用df2的数值替换。
• 方法2里，df2 != -1是我们要触发替换的条件，当这个条件为True时，就用df2的值替换df1的对应位置。

这两种方法都是Pandas的原生向量化操作，效率拉满，处理大规模数据也完全没问题~

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