如何快速填充大量数据以利用熊猫fillna？

我有两个数据框，一个大的有很多缺失值，第二个有数据以填充第一个中的缺失数据。

数据框示例：

In[34]:
import pandas as pd
import numpy as np

df2 = pd.DataFrame({'A': [1, 1, 1, 2, 2, 2], 'B': [1, 0, 1, 1, 0, 0]})

df = pd.DataFrame({'A': [0, 1, 2, 3, 4, 5], 'B1': [1, np.nan, np.nan, 8, 9, 1],'B2':[1, np.nan, np.nan, 7, 6, 1], 'B3':[1, np.nan, np.nan, 8, 7, 1] })
df=df.set_index(['A'])
df2=df2.set_index(['A'])

In[35]:
df

Out[35]: 
   B1  B2  B3
A            
0   1   1   1
1 NaN NaN NaN
2 NaN NaN NaN
3   8   7   8
4   9   6   7
5   1   1   1

In[36]:
df2

Out[36]: 
   B
A   
1  1
1  0
1  1
2  1
2  0
2  0

所以我想做的是使用df2中的数据填充df，同时考虑到df2中的第二个实例时B1不是B2。参见下面的所需输出：

In[38]:
df

Out[38]: 
   B1  B2  B3
A            
0   1   1   1
1   1   0   1
2   1   0   0
3   8   7   8
4   9   6   7
5   1   1   1

B1，B2和B3中1和2的NaN已被df2的数据填充。1 0 1用于索引1，1 0 0用于索引2。请参见下面我对循环实现的低效率：

In[37]:
count=1
seen=[]

for t in range(0, len(df2)):
     if df2.index[t] not in seen:
         count=1
         seen.append(df2.index[t])
     else:
         count=count+1
     tofill=pd.DataFrame(df2.iloc[t]).transpose()
     tofill_dict={"B"+str(count):tofill.B}
     df=df.fillna(value=tofill_dict)

这是可行的，但是当数据集变大时，可能要花费大量时间。所以我的问题是，是否有办法更快地做到这一点？我听说矢量化可以工作，您将如何实现呢？还有其他方法可以更快地做到这一点吗？