使用
.loc可对齐框架进行设置本质上没有什么慢，尽管它确实会花费一些代码来涵盖很多情况，所以紧密循环可能并不理想。仅供参考，此示例与第二示例略有不同。
In [1]: import numpy as npIn [2]: import pandas as pdIn [3]: from pandas import DataframeIn [4]: df = Dataframe(1.,index=list('abcdefghij'),columns=[0,1,2])In [5]: dfOut[5]: 0 1 2a 1 1 1b 1 1 1c 1 1 1d 1 1 1e 1 1 1f 1 1 1g 1 1 1h 1 1 1i 1 1 1j 1 1 1[10 rows x 3 columns]In [6]: df2 = Dataframe(0,index=list('afg'),columns=[1,2])In [7]: df2Out[7]: 1 2a 0 0f 0 0g 0 0[3 rows x 2 columns]In [8]: df.loc[df2.index,df2.columns] = df2In [9]: dfOut[9]: 0 1 2a 1 0 0b 1 1 1c 1 1 1d 1 1 1e 1 1 1f 1 0 0g 1 0 0h 1 1 1i 1 1 1j 1 1 1[10 rows x 3 columns]这是另一种选择。它可能适合也可能不适合您的数据模式。如果更新（您的小框架）非常独立，那么它将起作用（IOW，您不更新大框架，然后选择新的子框架，然后进行更新，等等。-如果这是您的模式，则使用
.loc大约对）。
代替更新大框架，而是使用大框架中的列更新小框架，例如：
In [10]: df = Dataframe(1.,index=list('abcdefghij'),columns=[0,1,2])In [11]: df2 = Dataframe(0,index=list('afg'),columns=[1,2])In [12]: needed_columns = df.columns-df2.columnsIn [13]: df2[needed_columns] = df.reindex(index=df2.index,columns=needed_columns)In [14]: df2Out[14]: 1 2 0a 0 0 1f 0 0 1g 0 0 1[3 rows x 3 columns]In [15]: df3 = Dataframe(0,index=list('cji'),columns=[1,2])In [16]: needed_columns = df.columns-df3.columnsIn [17]: df3[needed_columns] = df.reindex(index=df3.index,columns=needed_columns)In [18]: df3Out[18]: 1 2 0c 0 0 1j 0 0 1i 0 0 1[3 rows x 3 columns]并在需要时将所有内容合并在一起（同时将它们保存在列表中，或者在下面查看我的评论，这些子帧可以在创建时移至外部存储，然后在此合并步骤之前回读）。
In [19]: pd.concat([ df.reindex(index=df.index-df2.index-df3.index), df2, df3]).reindex_like(df)Out[19]: 0 1 2a 1 0 0b 1 1 1c 1 0 0d 1 1 1e 1 1 1f 1 0 0g 1 0 0h 1 1 1i 1 0 0j 1 0 0[10 rows x 3 columns]
这种模式的优点在于，它可以轻松扩展为使用实际的db（或更好的db
HDFStore），以实际存储“数据库”，然后根据需要创建/更新子框架，然后在完成后写出到新存储中。
我一直使用这种模式，尽管实际上是使用面板。
- 对数据的子集执行计算，并将每个数据写入单独的文件
- 然后最后将它们全部读入并存储（在内存中），然后写出一个巨大的新文件。concat步骤可以在内存中一次完成，或者如果确实是一项大任务，则可以迭代完成。
我能够使用多进程来执行我的计算，并将每个单独的Panel单独写入一个文件，因为它们都是完全独立的。唯一依赖的部分是concat。
这本质上是一种映射减少模式。
