在Python/R中匹配DataFrame的ID并更新对应values值的方法

DevOps 小满

2026-5-25

嘿，我太懂你这种用for循环绕半天还搞不定的痛苦了！其实pandas早就给咱们准备好高效的方法了，完全不用费劲写循环，直接用内置的矢量化操作就能轻松搞定需求～

下面给你两种最常用的解决方案，都是针对“用df2匹配ID更新df1的values”这个场景的：

方法1：用`update()`快速匹配更新

这个方法最直接，原理是先把两个DataFrame的索引设为ID（用来精准匹配），然后用update()只覆盖匹配到的行：

import pandas as pd

# 先模拟你的两个DataFrame（你可以替换成自己的真实数据）
df1 = pd.DataFrame({'ID': [1, 2, 3, 4], 'values': [10, 20, 30, 40]})
df2 = pd.DataFrame({'ID': [2, 4], 'values': [200, 400]})

# 把两个df的索引都设为ID，方便匹配
df1.set_index('ID', inplace=True)
df2.set_index('ID', inplace=True)

# 执行更新：只会替换df1中与df2ID匹配的values值，不匹配的保留原数据
df1.update(df2)

# 如果需要把ID从索引变回普通列，就重置索引
df1.reset_index(inplace=True)

运行完之后，df1就变成你想要的New_df1啦～

方法2：用`map()`字典映射更新

如果你的df2里的ID都是唯一的，用字典映射的方式更简洁：

# 先把df2转换成{ID: values}的字典
value_mapping = df2.set_index('ID')['values'].to_dict()

# 用map匹配ID，匹配到就替换values，没匹配到的用fillna保留原数值
df1['values'] = df1['ID'].map(value_mapping).fillna(df1['values'])

这个方法代码更短，处理小数据集的时候特别顺手。