如何用另一个DataFrame的MultiIndex过滤目标DataFrame并赋值？

嘿，我来帮你搞定这个问题！你原来的代码之所以无法正常运行，是因为df[['c1','c2']].isin(df2.index)会返回一个和原DataFrame同形状的布尔DataFrame，而df.loc[]的行筛选部分需要的是一维布尔序列（用来标记哪些行符合条件），直接传入布尔DataFrame会导致索引不匹配的错误。

下面给你几种可行的解决方案，你可以根据数据集大小选择合适的方式：

方法一：利用元组逐行匹配（简单直观，适合小数据集） #

这种方法直接把每行的c1和c2值组合成元组，然后检查该元组是否存在于df2的MultiIndex中：

import pandas as pd

# 生成匹配掩码：检查每行(c1,c2)是否在df2的MultiIndex里
mask = df.apply(lambda row: (row['c1'], row['c2']) in df2.index, axis=1)

# 对符合条件的所有列赋值
df.loc[mask, :] = [1, 2, 3, 4, 5]

方法二：通过Merge生成匹配掩码（高效，适合大数据集） #

如果你的数据集比较大，apply的效率可能偏低，这时可以把df2的MultiIndex转换成普通DataFrame，再通过merge来标记匹配行：

# 将df2的MultiIndex转换为DataFrame，列名和df的c1、c2对应
index_df = df2.index.to_frame(index=False)

# 用left merge标记df中匹配的行，生成布尔掩码
mask = df.merge(index_df, on=['c1', 'c2'], how='left').notna().any(axis=1)

# 执行赋值操作
df.loc[mask, :] = [1, 2, 3, 4, 5]

方法三：转换为MultiIndex后匹配（贴合pandas索引特性） #

把df的c1、c2列直接转换成MultiIndex，再用isin方法匹配，这种方法效率也不错：

# 将df的c1、c2列转换为MultiIndex对象
df_multi_idx = pd.MultiIndex.from_frame(df[['c1', 'c2']])

# 生成匹配掩码
mask = df_multi_idx.isin(df2.index)

# 赋值
df.loc[mask, :] = [1, 2, 3, 4, 5]

内容的提问来源于stack exchange，提问作者user1559897