Pandas如何用另一DataFrame替换df值并保留未匹配原有数据

你现有代码运行后丢失数据，核心是示例代码存在笔误：两次数据集定义都赋值给了data1，第二次的更新数据集应该赋值给data2，这会导致你生成的df本身就是8行的非完整数据集，而非12行的全量旧数据。
pandas的update方法本身不会删除原DataFrame的行，只会根据索引匹配，用传入DataFrame的非空值原地替换对应位置的值，只要df是完整的全量数据集，完全可以实现你的需求。

首先先修正笔误，定义正确的两个数据集：

import pandas as pd

# 全量旧值数据集
data1 = {'Region': ['Africa','Africa','Africa','Africa','Africa','Africa','Africa','Africa','Asia','Asia','Asia','Asia'],
         'Country': ['South Africa','South Africa','South Africa','South Africa','South Africa','South Africa','South Africa','South Africa','Japan','Japan','Japan','Japan'],
         'Product': ['ABC','ABC','ABC','ABC','XYZ','XYZ','XYZ','XYZ','DEF','DEF','DEF','DEF'],
         'Year': [2016, 2017, 2018, 2019,2016, 2017, 2018, 2019,2016, 2017, 2018, 2019],
         'Price': [500, 400, 0,450,750,0,0,890,500,470,0,415]}

# 增量更新数据集（注意变量名为data2，不要重复赋值给data1）
data2 = {'Region': ['Africa','Africa','Africa','Africa','Africa','Africa','Asia','Asia'],
         'Country': ['South Africa','South Africa','South Africa','South Africa','South Africa','South Africa','Japan','Japan'],
         'Product': ['ABC','ABC','ABC','ABC','XYZ','XYZ','DEF','DEF'],
         'Year': [2016, 2017, 2018, 2019,2016, 2017,2016, 2017],
         'Price': [200, 100, 30,750,350,120,400,370]}

df = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)

方法1：基于update实现（和你原有逻辑一致，最简便） #

将匹配列设为索引后调用update，最后重置索引即可，不会丢失任何原有行：

common_index = ['Region','Country','Product','Year']
# 设为索引
df_idx = df.set_index(common_index)
df2_idx = df2.set_index(common_index)
# 匹配更新
df_idx.update(df2_idx)
# 重置索引将匹配列还原为普通列
df3 = df_idx.reset_index()
# 如需保证Price为整数类型，追加下行代码
# df3['Price'] = df3['Price'].astype(int)

方法2：基于左连接合并实现（逻辑更透明，适合多列更新场景） #

如果需要更清晰地控制更新逻辑，可以通过左连接把新旧值合并，再按规则取值：

common_index = ['Region','Country','Product','Year']
# 以全量df为基准左连接df2，分别标注新旧价格列
df_merge = df.merge(df2, on=common_index, how='left', suffixes=('_old', '_new'))
# 新价格存在则取新价格，不存在则保留旧价格
df_merge['Price'] = df_merge['Price_new'].fillna(df_merge['Price_old'])
# 筛选需要的列得到最终结果
df3 = df_merge[common_index + ['Price']]

两种方法得到的df3和你预期的输出完全一致：

Region       Country Product  Year  Price
0   Africa  South Africa     ABC  2016  200
1   Africa  South Africa     ABC  2017  100
2   Africa  South Africa     ABC  2018   30
3   Africa  South Africa     ABC  2019  750
4   Africa  South Africa     XYZ  2016  350
5   Africa  South Africa     XYZ  2017  120
6   Africa  South Africa     XYZ  2018    0
7   Africa  South Africa     XYZ  2019  890
8     Asia         Japan     DEF  2016  400
9     Asia         Japan     DEF  2017  370
10    Asia         Japan     DEF  2018    0
11    Asia         Japan     DEF  2019  415

内容的提问来源于stack exchange，提问作者A.N.