如何用Python Pandas逐行更新DataFrame？MSSQL场景需求求助

嘿，我来帮你搞定这个Pandas更新的问题！首先得说，尽量别用逐行循环——Pandas天生是为向量化操作设计的，逐行跑不仅慢，代码还啰嗦。根据你的场景，分两种常见情况给你方案：

情况1：两个DataFrame行顺序完全对应 #

如果dp的每一行刚好对应data的同一行（比如都是按相同的顺序从数据库读取的），那直接赋值就完事儿了，简单粗暴又高效：

# 直接把dp的DIAGCODE列覆盖到data的对应字段
data['DIAGCODE'] = dp['DIAGCODE']

情况2：需要通过共同键匹配更新（更常见的场景） #

如果两个表是通过某个唯一标识列（比如患者ID、记录ID）关联的，那得用匹配映射的方式，举个例子，假设两个DataFrame都有PATIENT_ID这个共同键：

方法A：用merge合并后替换 #

先把dp里的键列和DIAGCODE列合并到data，再替换原字段：

# 只保留dp里需要的键列和DIAGCODE，避免合并冗余列
merged_df = data.merge(
    dp[['PATIENT_ID', 'DIAGCODE']],
    on='PATIENT_ID',
    how='left',  # 保留data的所有行，即使dp里没有匹配项
    suffixes=('_old', '')  # 区分原DIAGCODE和新DIAGCODE
)
# 把合并后的新DIAGCODE赋值回原data
data['DIAGCODE'] = merged_df['DIAGCODE']
# 如果有匹配不到的行，想保留原来的DIAGCODE值，可以这么写：
# data['DIAGCODE'] = merged_df['DIAGCODE'].fillna(data['DIAGCODE'])

方法B：用字典映射（更轻量） #

把dp转换成键到DIAGCODE的字典，再用map函数快速映射：

# 创建PATIENT_ID到DIAGCODE的映射字典
diag_mapping = dp.set_index('PATIENT_ID')['DIAGCODE'].to_dict()
# 把data里的PATIENT_ID映射成对应的DIAGCODE
data['DIAGCODE'] = data['PATIENT_ID'].map(diag_mapping)
# 同样，想保留原字段的空值匹配项，加个fillna：
# data['DIAGCODE'] = data['PATIENT_ID'].map(diag_mapping).fillna(data['DIAGCODE'])

为啥不推荐逐行循环？ #

比如你可能试过for i in range(len(data))这种写法，当数据量上千上万的时候，这种方法的速度会比向量化操作慢几十甚至上百倍，完全没必要跟自己的电脑较劲😎

内容的提问来源于stack exchange，提问作者supar