如何用Pandas从第二个DataFrame更新指定列的值？

嘿，针对你这个用df2更新df1中value1列的需求，我整理了几种简单好用的方法，先把场景再明确下：

我们有df1，包含日期和三个数值列：

import pandas as pd

df1 = pd.DataFrame({
    'date': ['20100101', '20100102', '20100103', '20100104', '20100105', '20100106', '20100107'],
    'value1': [1,1,1,1,1,1,1],
    'value2': [2,2,2,3,3,3,3],
    'value3': [3,3,3,4,4,5,6]
})

还有df2，只存了需要更新的日期和对应的value1新值：

df2 = pd.DataFrame({
    'date': ['20100102', '20100104', '20100105', '20100106', '20100107'],
    'value1': [2,3,4,5,6]
})

目标是：只有df1中与df2日期匹配的行，才把value1替换成df2的新值，其他行保持原样，最终得到你想要的结果。

下面是三种实用的实现方式：

方法1：用update()原地更新（最推荐） #

这是Pandas专门用来做这种局部更新的方法，步骤很简单：

# 先把两个DataFrame的date设为索引，方便匹配
df1.set_index('date', inplace=True)
df2.set_index('date', inplace=True)

# 用df2的value1更新df1的对应列，只更新匹配到的行
df1.update(df2)

# 把date恢复成普通列
df1.reset_index(inplace=True)

这个方法的好处是原地修改，不用额外创建新的DataFrame，而且只会替换匹配到的行的指定列，其他列和未匹配的行完全不受影响，效率很高。

方法2：用字典映射灵活替换 #

如果需要更灵活的逻辑（比如自定义未匹配行的处理），可以把df2转成字典，再用map()来替换：

# 将df2转换为 {date: new_value1} 的字典
value_mapping = df2.set_index('date')['value1'].to_dict()

# 替换df1的value1：匹配到日期就用字典里的新值，没匹配到就保留原值
df1['value1'] = df1['date'].map(value_mapping).fillna(df1['value1'])

这种方式自由度更高，比如你可以把fillna()换成其他逻辑，比如替换成默认值之类的。

方法3：用merge()合并后替换 #

如果需要同时查看原数值和新数值，或者要做更复杂的合并逻辑，可以用左合并的方式：

# 左合并df1和df2，保留df1所有行，给两列value1加后缀区分
merged_df = df1.merge(df2, on='date', how='left', suffixes=('_original', '_new'))

# 替换逻辑：如果有新值就用新值，否则用原值
merged_df['value1'] = merged_df['value1_new'].fillna(merged_df['value1_original'])

# 整理成目标格式的DataFrame
updated_df1 = merged_df[['date', 'value1', 'value2', 'value3']]

这个方法会生成中间合并表，适合需要做额外校验的场景，但内存占用会比前两种稍高一点。

这三种方法都能完美实现你的需求，其中update()方法最简洁高效，优先推荐使用哦！

内容的提问来源于stack exchange，提问作者Kevin Fang