blocks|key|1359453|text|一个没有循环的解决方案，但不确定它是否真的更有效|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1359454|import+pandas+as+pd
import+numpy+as+np
DF+=+pd.DataFrame({
+++++++++++++++++++'A':[1,4,7],
+++++++++++++++++++'B':+[2,5,8],
+++++++++++++++++++'C':+[3,6,9]})
ser+=+pd.Series([2,3,4],+index+=['A','B','C'])|code-block|syntax|javascript|1359455|首先将Pandas系列转换为字典|1359456|dict=ser.to_dict()|1359457|然后将null值放在dataframe中的任何位置：|1359458|DF.loc[:,:]+=+np.NaN|1359459|最后，使用带有dict的fillna方法来指示在每一列中放入哪个值|offset|length|style|CODE|1359460|DF.fillna(dict)+|1359461|entityMap^0|0|0|0|0|0|0|7|4|C|6|0|0^^$0|@$1|2|3|4|5|6|7|Y|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|Z|8|@]|9|@]|A|$E|F]]|$1|G|3|H|5|6|7|10|8|@]|9|@]|A|$]]|$1|I|3|J|5|D|7|11|8|@]|9|@]|A|$E|F]]|$1|K|3|L|5|6|7|12|8|@]|9|@]|A|$]]|$1|M|3|N|5|D|7|13|8|@]|9|@]|A|$E|F]]|$1|O|3|P|5|6|7|14|8|@$Q|15|R|16|S|T]|$Q|17|R|18|S|T]]|9|@]|A|$]]|$1|U|3|V|5|D|7|19|8|@]|9|@]|A|$E|F]]|$1|W|3|-4|5|6|7|1A|8|@]|9|@]|A|$]]]|X|$]]

A solution without a loop, not sure if it's really more efficient though

<pre><code>import pandas as pd
import numpy as np
DF = pd.DataFrame({
 'A':[1,4,7],
 'B': [2,5,8],
 'C': [3,6,9]})
ser = pd.Series([2,3,4], index =['A','B','C'])
</code></pre>

First converting the Pandas series to dictionary

<pre><code>dict=ser.to_dict()
</code></pre>

Then put null values everywhere in dataframe:

<pre><code>DF.loc[:,:] = np.NaN
</code></pre>

And finally use <code>fillna</code> method with <code>dict</code> indicating which value to put in each column

<pre><code>DF.fillna(dict) 
</code></pre>

blocks|key|1514438|text|df+=+df.replace(df,+ser)|type|code-block|depth|inlineStyleRanges|entityRanges|data|syntax|javascript|1514439|或|unstyled|1514440|df+=+df.apply(lambda+x+:+ser,+axis=1)|1514441|示例|offset|length|style|BOLD|1514442|将pandas.DataFrame.apply与lambda+function和axis+=+1一起使用|CODE|1514443|>>>+df+=+pd.DataFrame({'A':[1,4,7],'B':[2,5,8],'C':[3,6,9]})
>>>+ser+=+pd.Series({'A':2,'B':3,'C':4})|1514444|>>>+df+=+df.apply(lambda+x+:+ser,+axis=1)|1514445|>>>+df
+++A++B++C
0++2++3++4
1++2++3++4
2++2++3++4|1514446|第二种解决方案：|1514447|>>>+df+=+df.replace(df,+ser)
>>>+df
+++A++B++C
0++2++3++4
1++2++3++4
2++2++3++4|1514448|entityMap|0|LINK|mutability|MUTABLE|url|https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.apply.html#pandas-dataframe-apply^0|0|0|0|0|2|0|O|F|14|8|1|M|0|0|0|0|0|0|0^^$0|@$1|2|3|4|5|6|7|19|8|@]|9|@]|A|$B|C]]|$1|D|3|E|5|F|7|1A|8|@]|9|@]|A|$]]|$1|G|3|H|5|6|7|1B|8|@]|9|@]|A|$B|C]]|$1|I|3|J|5|F|7|1C|8|@$K|1D|L|1E|M|N]]|9|@]|A|$]]|$1|O|3|P|5|F|7|1F|8|@$K|1G|L|1H|M|Q]|$K|1I|L|1J|M|Q]]|9|@$K|1K|L|1L|1|1M]]|A|$]]|$1|R|3|S|5|6|7|1N|8|@]|9|@]|A|$B|C]]|$1|T|3|U|5|6|7|1O|8|@]|9|@]|A|$B|C]]|$1|V|3|W|5|6|7|1P|8|@]|9|@]|A|$B|C]]|$1|X|3|Y|5|F|7|1Q|8|@]|9|@]|A|$]]|$1|Z|3|10|5|6|7|1R|8|@]|9|@]|A|$B|C]]|$1|11|3|-4|5|F|7|1S|8|@]|9|@]|A|$]]]|12|$13|$5|14|15|16|A|$17|18]]]]

<pre class="lang-py prettyprint-override"><code>df = df.replace(df, ser)
</code></pre>

or 

<pre class="lang-py prettyprint-override"><code>df = df.apply(lambda x : ser, axis=1)
</code></pre>

Example: 
Use <a href="https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.apply.html#pandas-dataframe-apply" rel="nofollow noreferrer">pandas.DataFrame.apply</a> with <code>lambda function</code> and <code>axis = 1</code>

<pre class="lang-py prettyprint-override"><code>&gt;&gt;&gt; df = pd.DataFrame({'A':[1,4,7],'B':[2,5,8],'C':[3,6,9]})
&gt;&gt;&gt; ser = pd.Series({'A':2,'B':3,'C':4})
</code></pre>

<pre><code>&gt;&gt;&gt; df = df.apply(lambda x : ser, axis=1)
</code></pre>

<pre><code>&gt;&gt;&gt; df
 A B C
0 2 3 4
1 2 3 4
2 2 3 4
</code></pre>

Second Solution:

<pre><code>&gt;&gt;&gt; df = df.replace(df, ser)
&gt;&gt;&gt; df
 A B C
0 2 3 4
1 2 3 4
2 2 3 4
</code></pre>

blocks|key|1353528|text|使用pandas.DataFrame.div和mul|type|unstyled|depth|inlineStyleRanges|offset|length|style|CODE|entityRanges|data|1353529|df.div(df).mul(s)|code-block|syntax|javascript|1353530|或者使用numpy.tile+(iff+df.columns+==+s.index)要快得多：|1353531|pd.DataFrame(np.tile(s,+(len(df),+1)),+columns=df.columns)|1353532|输出：|1353533|+++++A++++B++++C
0++2.0++3.0++4.0
1++2.0++3.0++4.0
2++2.0++3.0++4.0|1353534|entityMap^0|2|K|N|3|0|0|4|A|K|L|0|0|0|0^^$0|@$1|2|3|4|5|6|7|U|8|@$9|V|A|W|B|C]|$9|X|A|Y|B|C]]|D|@]|E|$]]|$1|F|3|G|5|H|7|Z|8|@]|D|@]|E|$I|J]]|$1|K|3|L|5|6|7|10|8|@$9|11|A|12|B|C]|$9|13|A|14|B|C]]|D|@]|E|$]]|$1|M|3|N|5|H|7|15|8|@]|D|@]|E|$I|J]]|$1|O|3|P|5|6|7|16|8|@]|D|@]|E|$]]|$1|Q|3|R|5|H|7|17|8|@]|D|@]|E|$I|J]]|$1|S|3|-4|5|6|7|18|8|@]|D|@]|E|$]]]|T|$]]

Using <code>pandas.DataFrame.div</code> and <code>mul</code>:

<pre><code>df.div(df).mul(s)
</code></pre>

Or much faster using <code>numpy.tile</code> (iff <code>df.columns == s.index</code>):

<pre><code>pd.DataFrame(np.tile(s, (len(df), 1)), columns=df.columns)
</code></pre>

Output:

<pre><code> A B C
0 2.0 3.0 4.0
1 2.0 3.0 4.0
2 2.0 3.0 4.0
</code></pre>

blocks|key|5298146|text|assign|type|unstyled|depth|inlineStyleRanges|offset|length|style|CODE|entityRanges|data|5298147|在没有检查的情况下，只需为在s中找到的所有行分配一列：|5298148|df.assign(**s)
#+++A++B++C
#0++2++3++4
#1++2++3++4
#2++2++3++4|code-block|syntax|javascript|5298149|5298150|或者，只需从s创建DataFrame，并仅连接回未更新的列：|5298151|pd.concat([df[df.columns.difference(s.index)],
+++++++++++pd.DataFrame(s.to_dict(),+index=df.index)],
++++++++++axis=1)|5298152|entityMap^0|0|6|0|E|1|0|0|0|6|1|0|0^^$0|@$1|2|3|4|5|6|7|T|8|@$9|U|A|V|B|C]]|D|@]|E|$]]|$1|F|3|G|5|6|7|W|8|@$9|X|A|Y|B|C]]|D|@]|E|$]]|$1|H|3|I|5|J|7|Z|8|@]|D|@]|E|$K|L]]|$1|M|3|-4|5|6|7|10|8|@]|D|@]|E|$]]|$1|N|3|O|5|6|7|11|8|@$9|12|A|13|B|C]]|D|@]|E|$]]|$1|P|3|Q|5|J|7|14|8|@]|D|@]|E|$K|L]]|$1|R|3|-4|5|6|7|15|8|@]|D|@]|E|$]]]|S|$]]

<h3><code>assign</code></h3>

With no checks, just assign a column for anything found in <code>s</code> across all rows:

<pre><code>df.assign(**s)
# A B C
#0 2 3 4
#1 2 3 4
#2 2 3 4
</code></pre>

<hr>

Alternatively just create the DataFrame from <code>s</code>, and concat back only the columns you didn't update:

<pre><code>pd.concat([df[df.columns.difference(s.index)],
 pd.DataFrame(s.to_dict(), index=df.index)],
 axis=1)
</code></pre>

I have a Series like:

<pre><code>A 2
B 3
C 4
</code></pre>

And a DataFrame like:

<pre><code> A B C
0 1 2 3
1 4 5 6
2 7 8 9
</code></pre>

I want to assign the series to all rows in the dataframe. This is the expected output:

<pre><code> A B C
0 2 3 4
1 2 3 4
2 2 3 4
</code></pre>

Of cause I can do

<pre><code>for col in ser.index:
 df[col] = ser[col]
</code></pre>

but what is a more efficient way?

Broadcasting a Series to DataFrame

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

我有一个系列，比如：A    2B    3C    4和一个类似的DataFrame：    A   B   C0   1   2   31   4   5   62   7   8   9我想将序列赋值给数据帧中的所有行。这是预期的输出：    A   B   C0   2   3   41   2   3   4...

问向DataFrame广播连续剧
EN

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问向DataFrame广播连续剧EN