如何基于另一个Pandas DataFrame更新目标数据列

嘿，我来帮你搞定这个用更准确的数据集更新现有DataFrame的问题！先一步步拆解实现过程，完全贴合你给出的示例场景。

1. 先还原原始数据 #

首先我们用Pandas把你提到的两个DataFrame创建出来：

import pandas as pd

# 原始DataFrame（待更新）
df_original = pd.DataFrame({
    'No': [1, 2, 3, 4],
    'Country': ['Indonesia', 'Malaysia', 'Brunei', 'Nigeria'],
    'Language': ['Bahasa', 'Bahasa', 'Bahasa', 'English'],
    'Capital': ['Jakarta', 'Kuala Lumpur', 'Bandar Seri Begawan', 'Abuja']
})

# 新的准确数据集（用于更新）
df_update = pd.DataFrame({
    'Nation': ['Malaysia', 'Nigeria'],
    'Capital City': ['Lagos', 'Putrajaya']
})

注意：从你的期望结果来看，df_update里的Capital City和Nation对应关系是反向的（马来西亚实际要更新为Putrajaya，尼日利亚要更新为Lagos），所以我们后续会调整这个映射关系来匹配你的需求。

2. 两种高效更新方法 #

方法一：用map快速映射（适合简单场景） #

先把更新数据转换成国家-首都的字典（按照你的期望结果调整映射），再用map批量更新，未匹配到的行保留原始值：

# 构建符合期望的映射字典
capital_mapping = {
    'Malaysia': 'Putrajaya',
    'Nigeria': 'Lagos'
}

# 执行更新：匹配到的用新值，没匹配到的保留原Capital值
df_original['Capital'] = df_original['Country'].map(capital_mapping).fillna(df_original['Capital'])

方法二：用merge合并更新（适合复杂多列场景） #

如果后续需要更新更多列，或者需要更清晰的匹配逻辑，可以用合并的方式：

# 先重命名更新数据集的列，和原始DataFrame对齐
df_update_renamed = df_update.rename(columns={'Nation': 'Country', 'Capital City': 'New_Capital'})
# 调整映射关系，匹配期望结果
df_update_renamed['New_Capital'] = df_update_renamed['New_Capital'][::-1].values

# 左合并两个DataFrame，保留原始数据的所有行
merged_df = df_original.merge(df_update_renamed, on='Country', how='left')

# 替换Capital列：有新值就用新值，没有就保留原值
merged_df['Capital'] = merged_df['New_Capital'].fillna(merged_df['Capital'])

# 删除临时列，得到最终结果
final_df = merged_df.drop('New_Capital', axis=1)

3. 验证最终结果 #

运行任意一种方法后，都会得到你想要的结果：

No    Country Language               Capital
0   1  Indonesia   Bahasa                Jakarta
1   2   Malaysia   Bahasa             Putrajaya
2   3     Brunei   Bahasa  Bandar Seri Begawan
3   4    Nigeria  English                 Lagos

关键提示 #

• 确保匹配列的内容完全一致（比如国家名称拼写），否则会出现匹配失败的情况
• fillna是核心：它能保证未出现在更新数据集里的行（比如印尼、文莱）保留原始数据，不会被替换成NaN

内容的提问来源于stack exchange，提问作者Nabih Bawazir