本文介绍如何避免在 `itertuples()` 循环中错误地尝试修改只读行对象，转而采用基于索引对齐的向量化更新方式，安全、高效地批量更新 `df_b` 中与 `df_a` 匹配的 `qty` 字段。
在使用 DataFrame.itertuples() 遍历时，需特别注意：rowB 是一个命名元组（namedtuple），其字段是只读的。因此，rowB.Qty = rowB.Qty - rowA.Qty 这类赋值操作不会影响原始 DataFrame df_B，也不会报错——它仅修改了临时元组副本，属于常见误区。
正确的做法是放弃逐行循环更新的思路，改用 Pandas 原生的索引对齐与向量化运算。核心逻辑如下：
- 将 df_A 和 df_B 均设为多级索引 ["PO", "Item"]，确保结构一致；
- 找出两个 DataFrame 在该复合索引下的交集（即同时存在于 df_A 和 df_B 中的 (PO, Item) 组合）；
- 利用 .loc 直接定位并批量更新 df_B 中对应行的 'Qty' 列。
✅ 推荐实现代码：
import pandas as pd
df_A = pd.read_csv('file_A.csv', header=0)
df_B = pd.read_csv('file_B.csv', header=0)
# 统一设置多级索引（关键步骤）
df_A = df_A.set_index(["PO", "Item"])
df_B = df_B.set_index(["PO", "Item"])
# 获取两表共有的索引（自动对齐，忽略缺失项）
common_idx = df_B.index.intersection(df_A.index)
# 向量化减法：df_B.loc[common_idx, 'Qty'] -= df_A.loc[common_idx, 'Qty']
# 等价于：df_B.loc[common_idx, 'Qty'] = df_B.loc[common_idx, 'Qty'] - df_A.loc[common_idx, 'Qty']
df_B.loc[common_idx, 'Qty'] -= df_A.loc[common_idx, 'Qty']
# （可选）重置索引以便后续保存或查看
df_B = df_B.reset_index()⚠️ 注意事项：
- 不要在循环中修改 itertuples() 返回的 row 对象：它是不可变视图，修改无效；
- 确保 df_A 和 df_B 的索引列数据类型完全一致（如 PO 均为字符串、Item 无空格/大小写差异），否则 intersection 可能为空；
- 若 df_A 中某 (PO, Item) 出现多次，df_A.loc[common_idx] 会返回所有匹配行，此时需明确业务逻辑（如是否应聚合 Qty 总和）；
- 如需保留未匹配的 df_B 行（如示例中 A/a 未被修改），该方案天然支持——intersection 仅作用于共存索引，其余行保持不变。
? 总结：Pandas 的设计哲学是“向量化优先”。面对“根据另一表更新当前表”的需求，应优先考虑索引对齐 + .loc 批量操作，而非嵌套循环 + 试图篡改只读元组。这不仅代码更简洁、逻辑更清晰，性能也通常提升数十倍以上。
