如何高效用DataFrame2按规则更新DataFrame1？现有.loc/.iloc方案效率低

这个问题的核心是把df2的内容按特定的行列映射规则批量更新到df1，避免逐元素操作的低效。先明确你给出的替换规则：

• df2的行102（item x=az, item y=ez）对应更新df1的Item n列：ez替换A行的aa，az替换B行的bb
• df2的行256（item x=fafa, item y=foo）对应更新df1的item n+1列：foo替换A行的aaa，fafa替换B行的bbb

本质上是把df2的指定行，按[item y, item x]的顺序映射到df1指定列的[A, B]行。下面是一个高效的向量式解决方案，比循环或多次.loc/.iloc操作快得多：

代码实现 #

首先明确两个关键映射列表：

• target_cols：df1中需要被更新的列名，顺序要和df2的目标行对应
• source_rows：df2中提供更新数据的行索引，顺序要和df1的目标列对应

import pandas as pd

# 假设你的df1和df2已经初始化完成
target_cols = ['Item n', 'item n+1']
source_rows = [102, 256]

# 构造用于更新的临时DataFrame
update_data = df2.loc[source_rows, ['item y', 'item x']]
# 匹配df1的目标行索引
update_data.index = ['A', 'B']
# 匹配df1的目标列名
update_data.columns = target_cols

# 批量更新df1
df1.update(update_data)

方法优势 #

• 向量化操作：完全利用pandas的内置批量处理能力，避免了逐元素的索引调用，处理大数据集时速度提升非常明显
• 可读性强：通过明确的映射列表和临时DataFrame，逻辑清晰易懂，后续维护或扩展更方便
• 灵活扩展：如果需要更新更多列或行，只需调整target_cols和source_rows的内容即可，无需修改核心逻辑

内容的提问来源于stack exchange，提问作者Jean-Francois