如何用行均值填充DataFrame的NaN，同时保留首列字符串行名？

问题场景 #

原始DataFrame结构如下，其中Country列为字符串类型，年份列是数值型，存在NaN值：

Index    Country   1990 1995 2000 2005 2010 2015 
 0         US       5    6    NaN  9    19   11
 1        Germany   5    NaN  3    7    19    9
 .         ...      ..    ..   ..  ..   ..   ..
 ,         ...      ..    ..   ..  ..   ..   ..

需求：用每行数值列的均值填充该行的NaN值，但直接按行计算均值会被Country列的字符串干扰，之前尝试的代码df.fillna(df.drop['country'] , axis=1).apply(lambda x: x.mean() ,axis=1)未生效。

错误原因分析 #

1. df.drop['country']写法错误：drop是方法，需用括号调用，且要指定轴axis=1（删除列），正确写法为df.drop('Country', axis=1)
2. 逻辑错误：fillna需要接收与原DataFrame匹配的填充值序列，直接传入数值列DataFrame无法对应每行的均值进行填充

正确解法 #

方法1：逐行处理（简洁直观）

对每行单独处理，先剔除字符串列计算均值，再填充该行的NaN：

df = df.apply(lambda row: row.fillna(row.drop('Country').mean()), axis=1)

• row.drop('Country')：移除当前行的字符串列，仅保留数值列
• row.drop('Country').mean()：计算当前行数值列的均值（自动跳过NaN）
• row.fillna(...)：用该行均值填充当前行的所有NaN值

方法2：先计算每行均值再批量填充

先提取数值列计算每行均值，再针对性填充数值列的NaN：

# 计算每行数值列的均值（排除Country列）
row_means = df.drop('Country', axis=1).mean(axis=1)

# 仅对年份数值列进行填充
df.loc[:, '1990':'2015'] = df.loc[:, '1990':'2015'].fillna(row_means, axis=0)

这种方式更适合大数据集，性能比apply逐行处理更优。

内容的提问来源于stack exchange，提问作者Amirtak