如何用另一个DataFrame填充Python中DataFrame的NA值？

我来帮你搞定这个问题！你提到用update和combine_first没成功，大概率是没摸透这两个方法的细节，或者你的DataFrame结构有特殊情况。我给你拆解一下问题，并提供靠谱的代码方案。

先说说你之前方法失败的原因 #

• df1.update(df2)的坑：这个方法是原地修改df1，不会返回新的DataFrame——所以你直接赋值给df3的话，得到的会是None！另外它的逻辑是用df2的非NaN值覆盖df1对应索引+列位置的所有值（不管df1原来是不是NaN），不是只填充空值，这可能和你的需求不符。
• df1.combine_first(df2)没生效？：这个方法本身是对的，但如果结果不对，大概率是df1和df2的索引/列没对齐，或者你误解了它的逻辑——它是用df2的非NaN值填充df1的NaN，同时保留df1原本的非NaN值和额外列。

可行代码方案（附示例） #

先构造两个示例DataFrame模拟你的场景：

import pandas as pd
import numpy as np

# 示例df1：包含需要填充的NaN
df1 = pd.DataFrame({
    'A': [1, np.nan, 3, np.nan],
    'B': [np.nan, 5, np.nan, 7],
    'C': [9, 10, 11, 12]
}, index=[0, 1, 2, 3])

# 示例df2：用来填充df1的数据源
df2 = pd.DataFrame({
    'A': [2, 4],
    'B': [4, 6]
}, index=[1, 3])

方案1：用fillna（最直观，推荐） #

fillna可以直接指定用df2来填充，会自动对齐索引和列，只填充df1中的NaN：

df3 = df1.fillna(df2)
print(df3)

输出结果：

A    B   C
0  1.0  NaN   9
1  2.0  5.0  10
2  3.0  NaN  11
3  4.0  7.0  12

方案2：用combine_first（逻辑清晰） #

这个方法的逻辑是“优先用df1的值，df1是NaN的地方用df2的值”，同样会自动对齐索引和列：

df3 = df1.combine_first(df2)
print(df3)

输出和上面的结果完全一致。

如果你非要用update（不推荐，除非需要覆盖非NaN值） #

如果一定要用update，记得先复制df1，再原地修改：

df3 = df1.copy()
df3.update(df2)
print(df3)

⚠️ 注意：这个方法会覆盖df1中对应位置的所有值（不管是不是NaN），比如示例中df1的B列索引1位置原本是5，df2中B列索引1是4，用update后会被改成4，这可能不是你想要的。

关键提醒 #

如果你的df1和df2的索引或列不完全匹配，上面的方法都会自动对齐，只填充匹配的位置。如果需要忽略索引/列，直接按位置填充，可以用：

df3 = df1.fillna(df2.values)

但这种场景比较少见，一般推荐优先用索引+列对齐的方式，避免数据错位。

内容的提问来源于stack exchange，提问作者Vincent Lin