是否存在带返回值的pd.update()同类函数？pandas批量替换列如何实现

问题核心 #

DataFrame.update()是原地修改方法，返回值固定为None，因此你原来的字典推导式得到的所有value都是None，无法生成预期的新字典。以下是不同场景下的实现方案：

方案1：接受原地修改原字典的DataFrame #

如果不需要保留df_dict1中的原始数据，直接在推导式中执行update后返回修改后的df即可：

df_dict_new = {key: (df.update(df_dict2[key]), df)[1] for key in df_dict1.keys() & df_dict2.keys()}

注意：该写法会直接修改df_dict1中存储的原DataFrame对象，df_dict_new和df_dict1里的同key df指向同一个内存对象。

方案2：不修改原始数据，生成全新的df字典 #

如果需要保留原字典的原始数据，先对df做拷贝再执行update操作，完全复现update的功能逻辑。

推导式写法 #

df_dict_new = {
    key: (lambda d, d2: (d.update(d2), d)[1])(df.copy(deep=True), df_dict2[key])
    for key in df_dict1.keys() & df_dict2.keys()
}

普通循环写法（可读性更高，更推荐） #

df_dict_new = {}
# 仅处理两个字典共有的key，如需保留独有key可调整遍历范围
for common_key in df_dict1.keys() & df_dict2.keys():
    # 深拷贝原df避免修改原始数据
    copied_df = df_dict1[common_key].copy(deep=True)
    copied_df.update(df_dict2[common_key])
    df_dict_new[common_key] = copied_df

方案3：完全替换共同列（性能更高，和update逻辑有差异） #

如果你不需要保留原列中第二个df未覆盖的NA值，而是直接把共同列的所有值全部替换为第二个df的对应值（包括NA），可以用列赋值的方式，性能优于update：

df_dict_new = {}
for common_key in df_dict1.keys() & df_dict2.keys():
    df1 = df_dict1[common_key].copy()
    df2 = df_dict2[common_key]
    # 取两个df共有的列
    common_cols = df1.columns.intersection(df2.columns)
    # 直接赋值替换所有对应位置的值
    df1[common_cols] = df2[common_cols]
    df_dict_new[common_key] = df1

该方案和update的核心差异：update仅用第二个df的非NA值覆盖原df，该方案会用第二个df的所有值（包括NA）覆盖原df对应位置。

内容的提问来源于stack exchange，提问作者DHJ