如何基于另一列的字典匹配替换pandas DataFrame中列的NaN值

给定包含NaN的pandas DataFrame：

import numpy as np
import pandas as pd

bad_df = pd.DataFrame({'foo': [np.nan, 1.0, 2.0], 'bar': ['a', 'b', 'c']})

同时有一个替换字典，键与bar列的部分值对应：

replace_values = {'a': 7.0, 'd': 10.0}

需求是：根据bar列的值匹配字典键，用对应的值替换foo列中的NaN，最终得到如下结果：

expected_df = pd.DataFrame({'foo': [7.0, 1.0, 2.0], 'bar': ['a', 'b', 'c']})

常规的fillna或replace方法无法直接实现（它们只能用单一值批量替换），可以用以下两种方法解决：

方法1：map结合fillna #

利用map根据bar列生成对应字典值，再填充foo的NaN：

bad_df['foo'] = bad_df['foo'].fillna(bad_df['bar'].map(replace_values))

• 原理：bad_df['bar'].map(replace_values)会为每个bar值匹配字典中的对应值，不存在的键返回NaN；fillna仅将foo中的NaN替换为匹配到的有效字典值，不改变其他行的foo值。

方法2：loc定位条件行赋值 #

先筛选出符合条件的行（foo为NaN且bar在字典键中），再直接赋值：

# 生成筛选掩码
mask = bad_df['foo'].isna() & bad_df['bar'].isin(replace_values.keys())
# 为符合条件的行赋值
bad_df.loc[mask, 'foo'] = bad_df.loc[mask, 'bar'].map(replace_values)

• 原理：通过掩码精准定位需要修改的行，避免对其他行产生影响，适合需要严格控制修改范围的场景。

运行上述任意方法后，bad_df即可达到预期结果。

内容的提问来源于stack exchange，提问作者Ramón J Romero y Vigil