pandas.DataFrame.update#

DataFrame.update(other, join='left', overwrite=True, filter_func=None, errors='ignore')[源代码][源代码]#

使用另一个DataFrame中的非NA值就地修改。

对齐索引。没有返回值。

参数:
其他DataFrame，或可强制转换为 DataFrame 的对象

应该至少有一个与原始 DataFrame 匹配的索引/列标签。如果传递的是一个 Series，则其 name 属性必须设置，并且该名称将用作与原始 DataFrame 对齐的列名。

join{‘left’}, 默认 ‘left’

仅实现了左连接，保留原始对象的索引和列。

覆盖布尔值, 默认为 True

如何处理重叠键的非NA值：

  • True: 用 other 的值覆盖原始 DataFrame 的值。

  • False: 仅更新原始 DataFrame 中为 NA 的值。

filter_funccallable(1d-array) -> bool 1d-array, 可选

可以选择替换除NA以外的值。对于应该更新的值返回True。

错误{‘raise’, ‘ignore’}, 默认 ‘ignore’

如果是 ‘raise’，如果 DataFrame 和 other 在相同位置都包含非 NA 数据，将引发 ValueError。

返回:
None

此方法直接更改调用对象。

引发:
ValueError

  • 当 errors=’raise’ 并且存在重叠的非NA数据时。

  • 当 errors 不是 ‘ignore’ 或 ‘raise’ 时

NotImplementedError

  • 如果 join != ‘left’

参见

dict.update

字典的类似方法。

DataFrame.merge

对于列对列的操作。

备注

  1. 不支持 other 上的重复索引，并且会引发 ValueError。

示例

>>> df = pd.DataFrame({"A": [1, 2, 3], "B": [400, 500, 600]})
>>> new_df = pd.DataFrame({"B": [4, 5, 6], "C": [7, 8, 9]})
>>> df.update(new_df)
>>> df
   A  B
0  1  4
1  2  5
2  3  6

DataFrame 的长度不会因为更新而增加，只有匹配索引/列标签的值才会被更新。

>>> df = pd.DataFrame({"A": ["a", "b", "c"], "B": ["x", "y", "z"]})
>>> new_df = pd.DataFrame({"B": ["d", "e", "f", "g", "h", "i"]})
>>> df.update(new_df)
>>> df
   A  B
0  a  d
1  b  e
2  c  f

>>> df = pd.DataFrame({"A": ["a", "b", "c"], "B": ["x", "y", "z"]})
>>> new_df = pd.DataFrame({"B": ["d", "f"]}, index=[0, 2])
>>> df.update(new_df)
>>> df
   A  B
0  a  d
1  b  y
2  c  f

对于 Series，必须设置其 name 属性。

>>> df = pd.DataFrame({"A": ["a", "b", "c"], "B": ["x", "y", "z"]})
>>> new_column = pd.Series(["d", "e", "f"], name="B")
>>> df.update(new_column)
>>> df
   A  B
0  a  d
1  b  e
2  c  f

如果 other 包含 NaN，则原始数据框中相应的值不会更新。

>>> df = pd.DataFrame({"A": [1, 2, 3], "B": [400.0, 500.0, 600.0]})
>>> new_df = pd.DataFrame({"B": [4, np.nan, 6]})
>>> df.update(new_df)
>>> df
   A      B
0  1    4.0
1  2  500.0
2  3    6.0