update方法仅按索引和列名双对齐覆盖，不新增行列，nan默认不覆盖，inplace=true易致静默错误，应优先用combine_first或预过滤交集。
update 方法只按索引对齐更新，不按列名
如果你期望 update 像 SQL 的 UPDATE 那样按字段名匹配更新，会出错。它实际行为是：用右侧 DataFrame 的值，**覆盖左侧 DataFrame 中相同索引 + 相同列名位置的值**；但前提是列名必须一致，且只更新左侧已存在的列——右侧多出的列会被忽略。
- 左侧缺失的索引，不会被新增；右侧多余的索引，完全不起作用
- 如果两表列名不完全一致，比如左侧是
['name', 'age']，右侧是['name', 'score']，那么只有'name'列会被更新，'score'被丢弃 - NaN 值默认不覆盖（这是关键！），除非显式设置
overwrite=True
update 无法更新缺失列，也不能新增行
常见误用场景：想用 update 把新数据“补全”到原表里，比如添加新用户或新字段。这不行——update 不是 concat 或 merge，它只做就地覆盖。
- 想新增行？得用
pd.concat([df_old, df_new], ignore_index=False)再去重/去并 - 想新增列？得用
df_old.join(df_new[新列])或直接赋值df_old['new_col'] = ... - 想用 update 补 NaN？记得加参数
overwrite=False（默认值）——它本来就不覆盖 NaN；如果真要强制写入，得设overwrite=True，但注意这会把原来非空值也刷掉
update 的 inplace 行为容易引发静默错误
update 默认是 inplace=True，但它不返回新对象，也不报错，而是在原 DataFrame 上改。如果误写成 df = df.update(...)，结果 df 变成 None，后续操作全崩。
- 正确写法只有两种：
df.update(other)（直接改 df），或df_updated = df.copy().update(other) or df.copy()（先 copy 再改，但注意 update 返回 None，所以得写成df_copy = df.copy(); df_copy.update(other); df_updated = df_copy） - 更安全的做法是避免 inplace：用
df.combine_first(other)（优先取左，左为 NaN 时取右）或手动构造掩码更新 - 调试时建议先检查索引是否对齐：
set(df.index) & set(other.index)，空交集意味着 update 完全没生效
替代方案：combine_first 和 mask 更可控
当 update 行为不符合预期时，combine_first 和布尔索引 mask 往往更直观、更易 debug。
-
df.combine_first(other)：以 df 为主，other 中索引存在且 df 对应位置为 NaN 的才填充——适合补缺，不破坏原有非空值 -
df.loc[other.index, other.columns] = other：暴力按坐标赋值，但要求索引和列都存在，否则报KeyError -
df.mask(df.index.isin(other.index) & df.columns.isin(other.columns), other, inplace=False)：太绕，一般不用；更常用的是df.update(other, overwrite=True)加上预过滤
真正批量更新前，先跑一次 other[other.index.isin(df.index)] 确保只处理交集部分，能避开大部分“看起来调了却没变”的问题。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
