如何将DataFrame中的值添加到字典内对应的另一个DataFrame中？

先把你给出的示例数据明确下（方便复现调试）：

import pandas as pd

# 初始化你的客户字典
cust_dict = {
    'ABC': pd.DataFrame(columns=['Date', 'Particulars', 'Vch No.', 'Outwards', 'Amount']),
    'BCD': pd.DataFrame(columns=['Date', 'Particulars', 'Vch No.', 'Outwards', 'Amount'])
}

# 初始化你的业务数据df
df = pd.DataFrame({
    'Date': ['2017-04-01 00:00:00', '2017-04-06 00:00:00', '2017-04-05 00:00:00'],
    'Particulars': ['ABC', 'BCD', 'ABC'],
    'Vch Type': ['Sales', 'Sales', 'Sales']
})

下面给你两种实用的实现思路，按需选择：

方法一：逐行遍历（适合小规模数据） #

逻辑非常直观，就是遍历df的每一行，根据Particulars的值匹配字典里对应的DataFrame，把当前行的Date添加进去：

for _, row in df.iterrows():
    cust_name = row['Particulars']
    # 先检查字典里是否存在该客户，避免键不存在报错
    if cust_name in cust_dict:
        # 构造要插入的行数据，仅填充Date列，其他列留空
        new_row = pd.DataFrame({
            'Date': [row['Date']],
            'Particulars': [cust_name],  # 可选：如果需要保留客户标识可以加上
            'Vch No.': [None],
            'Outwards': [None],
            'Amount': [None]
        })
        # 用concat合并（替代即将弃用的append方法）
        cust_dict[cust_name] = pd.concat([cust_dict[cust_name], new_row], ignore_index=True)

执行完后，cust_dict['ABC']会包含两条Date记录，cust_dict['BCD']会有一条，完全符合你的需求。

方法二：分组批量处理（适合大规模数据） #

如果你的业务数据量很大，逐行遍历效率会偏低，这时候可以先按客户分组，再批量更新字典里的DataFrame：

# 按Particulars分组，把每个客户的Date整理成列表
grouped_dates = df.groupby('Particulars')['Date'].apply(list).to_dict()

for cust_name, dates in grouped_dates.items():
    if cust_name in cust_dict:
        # 批量构造多行数据
        new_rows = pd.DataFrame({
            'Date': dates,
            'Particulars': [cust_name]*len(dates),
            'Vch No.': [None]*len(dates),
            'Outwards': [None]*len(dates),
            'Amount': [None]*len(dates)
        })
        cust_dict[cust_name] = pd.concat([cust_dict[cust_name], new_rows], ignore_index=True)

这种方法减少了循环次数，效率更高，最终结果和方法一完全一致。

小补充 #

• 如果你不需要在子DataFrame里保留Particulars列（毕竟字典键已经是客户名了），可以直接去掉对应的列定义；
• 要是不确定字典里是否存在所有客户的键，一定要保留if cust_name in cust_dict的判断，避免抛出KeyError。

内容的提问来源于stack exchange，提问作者Sid