pandas DataFrame小数据集子集标签索引赋值失效如何解决

你的代码出现部分值赋值失败主要是两个错误共同导致的：

1. 布尔掩码生成逻辑错误：你调用的是big_df.isin(aux_df.id)，这个方法会对big_df的所有列逐一判断是否在目标列表里，最终返回和big_df同维度的布尔矩阵，而不是你需要的、仅判断id列匹配的一维布尔序列，这会导致loc选中的行不符合预期。
2. pandas赋值默认按索引对齐：即便你修正了掩码，直接写big_df.loc[mask,'B'] = aux_df['B']也会出问题——aux_df的索引是从0开始的自增索引，和big_df中匹配行的索引（示例中是1、3）无法对应，pandas会自动对齐两边的索引，找不到匹配的索引就会填充NaN。

根据你的使用场景，有两种常用的解决方案：

方案1：单次匹配直接用merge（无循环场景优先） #

如果只是单次合并两个表，直接用pandas内置的merge方法即可，不需要提前新增列、不需要手写赋值逻辑：

import pandas as pd
big_df = pd.DataFrame({'id':range(0,4), 'A':list('abcd')})
aux_df = pd.DataFrame({'id':[1,3], 'B':list('xy')})
# 左连接匹配id，自动生成B列
big_df = big_df.merge(aux_df, on='id', how='left')

输出完全符合你的预期。

方案2：循环场景下用map映射（推荐） #

如果是每次循环生成不同的辅助表、要新增不同的列，用id映射的方式最稳妥，不需要处理索引、也不需要写掩码：

# 每次循环内执行即可，无需提前新增空列
big_df['B'] = big_df['id'].map(aux_df.set_index('id')['B'])

原理是先把aux_df转成「id:B列值」的映射字典，再用big_df的id列直接匹配取值，自动填充未匹配的项为NaN。

方案3：修正你的原有loc写法 #

如果一定要沿用你现有的loc赋值逻辑，修正两个错误点即可：

# 提前新增列
big_df = big_df.reindex(columns = big_df.columns.tolist() + ['B'])
# 只针对id列生成掩码
mask = big_df['id'].isin(aux_df['id'])
# 赋值时转成numpy数组，跳过索引对齐逻辑
big_df.loc[mask,'B'] = aux_df['B'].values

内容的提问来源于stack exchange，提问作者ZMV