如何使用另一DataFrame更新含重复匹配键的目标DataFrame？

• 你之前使用pd.update()失效的本质原因是：该方法完全基于行索引对齐匹配值，而非你指定的name业务键。直接传入原始df1和df2时，两边索引是默认的0、1、2、3和0、1，既匹配不到重复name的所有行，还会出现跨位置的错配。
• 直接用pd.merge()关联时，两边同名的value1/value2列会自动生成带后缀的衍生列，需要手动清理多余列，流程繁琐。

方案1：临时索引对齐调用update（最简洁） #

把两个DataFrame的关联键name临时设为行索引，直接复用pandas原生update能力完成批量匹配，全程不会产生任何衍生列：

# 临时将两个DataFrame的索引设为关联键name
df1_idx = df1.set_index('name')
df2_idx = df2.set_index('name')

# 执行更新：同索引（即同name）的所有行都会被同步赋值
# 参数说明：overwrite=False 表示仅填充df1中的空值，原有非空值会自动保留
df1_idx.update(df2_idx, overwrite=False)

# 重置索引得到最终结果
result = df1_idx.reset_index()

执行后输出完全匹配你的期望结果：

name category  value1  value2
0    A        X     2.0    11.0
1    B        X     1.0    10.0
2    C        Y     3.0    12.0
3    A        Y     2.0    11.0

方案2：字典映射批量赋值 #

如果不想改动原有DataFrame结构，可以先把df2的关联关系转成映射字典，批量匹配赋值，同样不会产生冗余列：

# 构建name到对应数值的映射
name_mapping = df2.set_index('name')[['value1', 'value2']].to_dict('index')

# 批量匹配映射值，原有非空值自动保留
matched_vals = df1['name'].map(name_mapping).apply(pd.Series)
df1[['value1', 'value2']] = matched_vals.combine_first(df1[['value1', 'value2']])

内容的提问来源于stack exchange，提问作者Irpie