pandas如何用.loc实现单行值覆盖多行？对比iloc赋值差异

问题复现 #

需求为将DataFrame中某一行的多个列值，批量赋值给其他若干行。使用.iloc按位置赋值可正常实现，但使用带筛选条件的.loc赋值时，目标位置全部返回NaN，复现代码如下：

1. 构造测试数据集

import pandas as pd
df = pd.DataFrame(dict(A = [1,2,0,0],B=[0,0,0,10],C=[3,4,5,6]))
df.index = ['a','b','c','d']

2. 使用.loc执行赋值操作（两种写法均失败）

# 条件筛选赋值
df.loc[df['A']>0, ['B','C']] = df.loc['d',['B','C']]
# 指定索引名赋值
df.loc[['a','b'], ['B','C']] = df.loc['d',['B','C']]

运行后a、b行的B、C列全部为NaN，结果如下：

A       B       C
a   1.0     NaN     NaN
b   2.0     NaN     NaN
c   0.0     0.0     5.0
d   0.0     10.0    6.0

3. 使用.iloc按位置赋值可得到预期结果

df.iloc[0:2,1:3] = df.iloc[3,1:3]

运行结果符合预期：

A   B   C
a   1   10  6
b   2   10  6
c   0   0   5
d   0   10  6

根本原因 #

问题出在pandas默认的索引对齐机制：

• 右侧df.loc['d',['B','C']]返回的是一个Series，它的行标签是d，列方向索引是['B','C']；当把它赋值给左侧行标签为a、b的切片时，pandas会先按行标签做匹配，a、b和d完全匹配不上，匹配不到的位置就会自动填充NaN。
• .iloc是纯按位置操作，完全忽略索引标签，所以赋值时直接按位置把值填进去，不会出现对齐失败的问题。

解决方案 #

不需要把布尔筛选条件转换成行号改用iloc，只要把右侧待赋值的序列转成不带索引的数组/列表，跳过索引对齐逻辑，就可以直接用.loc实现需求：

# 方法1：使用.values获取numpy数组，是最常用的写法
df.loc[df['A']>0, ['B','C']] = df.loc['d',['B','C']].values

# 方法2：转成原生list，效果一致
df.loc[['a','b'], ['B','C']] = df.loc['d',['B','C']].tolist()

注意：如果赋值的右侧是多行多列的DataFrame切片，只要保证左右两侧切片的形状完全一致，加.values转成数组后同样可以正常赋值，不会出现NaN问题。

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