如何使用Pandas中一个DataFrame的列检索并更新另一个DataFrame的对应字段

merge是否为最优方案？ #

不是。merge的核心能力是多表字段拼接，直接用于单字段批量更新时会产生多余的中间字段、额外占用内存，大数据量场景下性能偏低。针对按主键匹配更新指定字段的需求，Pandas内置的update方法是更优选择。

最优实现方案（推荐大数据量使用） #

update方法基于索引匹配实现原地更新，不会生成额外的中间表，内存占用低、执行速度快，适配你的批量更新场景，实现步骤如下：

• 将两个DataFrame的匹配键serialNum设为索引，对齐匹配基准
• 调用update方法用dfA的status字段覆盖dfB中匹配成功的对应行值，未匹配的行保留原有值
• 完成更新后可按需将serialNum恢复为普通列

对应代码示例：

# 设置匹配键为索引
dfA = dfA.set_index('serialNum')
dfB = dfB.set_index('serialNum')

# 批量更新status字段，仅覆盖匹配到serialNum的行
dfB['status'].update(dfA['status'])

# 恢复serialNum为普通列
dfB = dfB.reset_index()

merge实现参考方案 #

如果你的场景需要保留更新前后的字段对比，可以使用merge实现，该方案性能低于update，适合小数据量场景：

# 左连接关联两张表，区分新旧status字段
merged_df = dfB.merge(
    dfA[['serialNum', 'status']], 
    on='serialNum', 
    how='left', 
    suffixes=('_old', '_new')
)

# 优先用dfA的新值填充，未匹配到则保留旧值
merged_df['status'] = merged_df['status_new'].fillna(merged_df['status_old'])

# 清理多余中间字段
merged_df = merged_df.drop(columns=['status_old', 'status_new'])

示例运行结果 #

针对你给出的测试数据，两种方案执行后最终得到的dfB结果一致：

内容的提问来源于stack exchange，提问作者ssumme