基于参考表按特定行列规则填充DataFrame中的NaN值

先定义示例数据（贴合你的场景） #

假设你的参考表ref和业务表df结构如下：

import pandas as pd

# 参考表：存储人员固定的Target和Bonus
ref = pd.DataFrame({
    'Name': ['Joe', 'Phil', 'Dean'],
    'Target': [100, 120, 90],
    'Bonus': [20, 25, 18]
})

# 业务表：含周次数据，部分字段为NaN
df = pd.DataFrame({
    'Name': ['Joe', 'Joe', 'Phil', 'Dean', 'Dean'],
    'Week': [1, 2, 1, 1, 2],
    'Target': [100, pd.NA, pd.NA, 90, pd.NA],
    'Bonus': [pd.NA, 20, pd.NA, pd.NA, 18],
    'Score': [85, pd.NA, 110, pd.NA, pd.NA]
})

分步实现填充逻辑 #

1. 构建人员与固定值的映射字典
   把参考表转换成以Name为键的字典，方便快速匹配填充：

target_map = ref.set_index('Name')['Target'].to_dict()
bonus_map = ref.set_index('Name')['Bonus'].to_dict()

2. 填充Target和Bonus的缺失值
   用fillna结合map，根据人员匹配参考表的固定值：

df['Target'] = df['Target'].fillna(df['Name'].map(target_map))
df['Bonus'] = df['Bonus'].fillna(df['Name'].map(bonus_map))

3. 填充Score的缺失值为对应人员的Target
   此时Target已经补全，直接用当前行的Target值填充Score的NaN：

df['Score'] = df['Score'].fillna(df['Target'])

最终输出结果 #

执行上述代码后，df的结果如下：

Name  Week  Target  Bonus  Score
0    Joe     1     100     20   85.0
1    Joe     2     100     20  100.0
2   Phil     1     120     25  110.0
3   Dean     1      90     18   90.0
4   Dean     2      90     18   90.0

补充说明 #

如果你的数据量较大，这种基于字典映射的方法效率很高；如果需要更复杂的关联逻辑，也可以用pd.merge将参考表和业务表关联后填充，但对于当前场景，字典映射是最简洁的方案。

内容的提问来源于stack exchange，提问作者PineNuts0