如何用Pandas高效通过映射另一列填充DataFrame列缺失值？

首先构造示例DataFrame用于测试：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'Year': [2021, 2021, 2021, 2022, 2022, 2022, np.nan],
    'Month': [10, 11, 12, 1, 2, 3, 1]
})

方法一：np.where简洁实现 #

适合仅需区分两类Month的场景，代码直观且高效：

df['Year'] = df['Year'].fillna(np.where(df['Month'].isin([1,2,3]), 2022, 2021))

逻辑：判断Month是否属于1/2/3，是则填充2022，否则填充2021，再通过fillna替换Year列的缺失值。

方法二：字典映射+fillna #

扩展性更强，若后续新增Month与Year的对应关系，仅需修改字典即可：

month_year_map = {1:2022, 2:2022, 3:2022, 10:2021, 11:2021, 12:2021}
df['Year'] = df['Year'].fillna(df['Month'].map(month_year_map))

逻辑：通过字典定义每个Month对应的Year，用map匹配后填充Year的缺失值。

方法三：loc索引直接赋值 #

适合需要明确拆分筛选条件的场景，可读性强：

# 填充Month为1/2/3的缺失Year
df.loc[(df['Year'].isna()) & (df['Month'].isin([1,2,3])), 'Year'] = 2022
# 填充Month为10/11/12的缺失Year
df.loc[(df['Year'].isna()) & (df['Month'].isin([10,11,12])), 'Year'] = 2021

最优选择 #

• 若仅处理当前两类Month的简单场景，优先选**np.where方法**，代码最简洁高效；
• 若后续可能扩展更多Month与Year的对应规则，优先选字典映射方法，维护成本更低。

内容的提问来源于stack exchange，提问作者Siddcity