如何在Pandas DataFrame中将非NaN值替换为对应列和（排除前两列）

问题场景 #

给定如下Pandas DataFrame：

import pandas as pd

data = {'Org': ['Tom', 'Kelly', 'Rick', 'Dave','Sara','Liz'],
    'A': ['NaN', 1, 1, 1, 'NaN', 'NaN'],
    'B': [1, 1, 1, 1, 'NaN', 1],
    'C': [1, 1, 1, 1, 1, 1],
    'D': ['NaN', 'NaN', 1, 'NaN', 1, 'NaN'],
    'E': [1, 1, 1, 1, 'NaN', 1],
    'F': ['NaN', 1, 1, 1, 'NaN', 1]}

df = pd.DataFrame(data)

需求：对除前两列外的所有列计算列和，将这些列中的非NaN值替换为对应列的求和结果，保留原有的NaN值。

用户原尝试代码会直接替换整列值，无法保留NaN：

column_sums = df.iloc[:, 2:].sum()
for column in iloc[:, 2:].columns:
    df[column] = column_sums[column]

流畅解决方案 #

步骤1：转换字符串类型的NaN为真正的缺失值

原始数据中的'NaN'是字符串，会干扰求和计算，先转换为Pandas可识别的缺失值：

import numpy as np

df = df.replace('NaN', np.nan)

步骤2：计算目标列的求和值

选取从第3列开始的所有列，计算每列的和：

target_cols = df.columns[2:]
col_sums = df[target_cols].sum()

步骤3：替换非缺失值为对应列和

使用Pandas矢量化操作mask，仅将非NaN的位置替换为列和，保留原缺失值：

df[target_cols] = df[target_cols].mask(df[target_cols].notna(), col_sums)

最终结果 #

处理后的DataFrame与预期一致：

# 输出结果
print(df)
#    Org    A    B  C    D    E    F
# 0  Tom  NaN  5.0  6  NaN  5.0  NaN
# 1  Kelly  3.0  5.0  6  NaN  5.0  4.0
# 2  Rick  3.0  5.0  6  2.0  5.0  4.0
# 3  Dave  3.0  5.0  6  NaN  5.0  4.0
# 4  Sara  NaN  NaN  6  2.0  NaN  NaN
# 5  Liz  NaN  5.0  6  NaN  5.0  4.0

方案优势 #

• 避免循环，利用Pandas矢量化操作提升效率
• 精准控制替换范围，仅修改非缺失值，保留原始缺失数据
• 代码简洁易读，符合Pandas最佳实践

内容的提问来源于stack exchange，提问作者hadji