DataFrame.update(other, join='left', overwrite=True, filter_func=None, errors='ignore') [source]
使用来自另一个DataFrame的非NA值进行适当的修改。
在索引上对齐，没有返回值。
参数： | other ： 应该至少有一个与原始 如果传递了一个Series，则必须设置它的name属性， 并将其用作列名，以便与原始的DataFrame保持一致。 join ： 只实现left join，保留原始对象的索引和列。 overwrite ： 如何处理重复键的非NA值： 1) True：用其他 DataFrame的值覆盖原始数据的值。 2) False：仅更新原始DataFrame中NA的值。 filter_func ：
可以选择替换NA以外的值。 对于应该更新的值返回True。 errors ： 如果为 则当 将引发 在版本0.24.0中更改： 从 更改 为 |
返回值： | None : 方法直接更改调用对象 |
Raises： | ValueError 当 当错误不是
如果 |
例子
>>> 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
由于更新，DataFrame的长度不会增加，只会更新匹配的索引/列标签上的值
>>> 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
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'], name='B', index=[0, 2])
>>> df.update(new_column)
>>> df
A B
0 a d
1 b y
2 c e
>>> df = pd.DataFrame({'A': ['a', 'b', 'c'],
... 'B': ['x', 'y', 'z']})
>>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2])
>>> df.update(new_df)
>>> df
A B
0 a x
1 b d
2 c e
如果其他包含NaN，则相应的值不会在原始数据帧中更新
>>> df = pd.DataFrame({'A': [1, 2, 3],
... 'B': [400, 500, 600]})
>>> 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