我有两个pandas数据帧。一个包含实际数据，第二个包含行索引，我需要用一些值替换它。
Df1：输入记录
A B record_id record_type
0 12342345 10 011 H
1 65767454 20 012 I
2 78545343 30 013 I
3 43455467 40 014 I
Df2：信息包含需要更改的行索引（例如：此处为＃）
Column1 Column2 Column3 record_id
0 1 2 4 011
1 1 2 None 012
2 1 2 4 013
3 1 2 None 014
输出结果：
A B record_id record_type
0 # # 011 #
1 # # 012 I
2 # # 013 #
3 # # 014 I
因此基于record_id查找并希望更改相应的行索引值。
Df2中存在的这里（1 2 4 011）包含有关我们想要从Df1修改id为011的特定记录的第一，第二和第四行索引的信息。
因此，在输出结果中，我们将行索引1,2,4的值id替换为行值011，并将值填充为＃。
请建议任何其他方法在熊猫中做同样的事。
答案 0 :(得分：1)
首先，您可以进行一些预处理，以简化生活。将索引设置为record_id，然后将column3从df2重命名为record_type。现在，数据框具有相同的索引和列名称，便于自动对齐。
df1 = df1.set_index('record_id')
df2 = df2.set_index('record_id')
df2 = df2.rename(columns={'Column3':'record_type'})
df2 = df2.replace('None', np.nan)
然后我们可以用d2填写df2的缺失值，然后制作所有原始的非缺失值＆＃39;＃＆＃39;。
df2.fillna(df1).where(df2.isnull()).fillna('#')
Column1 Column2 record_type
record_id
11 # # #
12 # # I
13 # # #
14 # # I
答案 1 :(得分：0)
Df2中存在的这里（1 2 4 011）包含有关我们想要从Df1修改id为011的特定记录的第一，第二和第四行索引的信息。
这对我没有意义 - record_id = 011的行本身没有更多的行（你似乎想要选择第一，第二，第四行）。请使用您期望的精确结果完成输出值。
无论如何，我遇到了与标题中相同的问题，并解决了这个问题：
假设您有一个DataFrame df和三个同样长的向量rsel，csel（用于行/列选择器）和val（例如，长度为{{1} }}），并希望做相同的
N然后，以下代码（至少）适用于df.lookup(rsel, csel) = val
和pandas v.0.23，，假设python 3.6不包含重复项！
警告：这不适合大型数据集，因为它初始化了形状rsel维度的完整方形矩阵！
(N, N) PS。如果您知道只有字符串作为列名，那么import pandas as pd
import numpy as np
from functools import reduce
def coalesce(df, ltr=True):
if not ltr:
df = df.iloc[:, ::-1] # flip left to right
# use iloc as safeguard against non-unique column names
list_of_series = [df.iloc[:, i] for i in range(len(df.columns))]
# this is like a SQL coalesce
return reduce(lambda interm, x: interm.combine_first(x), list_of_series)
# column names generally not unique!
square = pd.DataFrame(np.diag(val), index=rsel, columns=csel)
# np.diag creates 0s everywhere off-diagonal; set them to nan
square = square.where(np.diag([True] * len(rsel)))
# assuming no duplicates in rsel; this is empty
upd = pd.DataFrame(index=rsel, columns=sorted(csel.unique()))
# collapse square into upd
upd = upd.apply(lambda col: coalesce(square[square.columns == col.name]))
# actually update values
df.update(upd)
比square.filter(regex=col.name)快得多。