如何在Pandas DataFrame中合并多行并按需求生成单行结果？

核心思路 #

不用sum()函数（会因NaN导致结果异常），而是按优先级规则逐列赋值：

1. 优先保留Zero行的0
2. 其次将Miss行的数值转为NaN（即null）
3. 最后将Max行的浮点数转为整数作为默认值

具体步骤 #

1. 预处理数据：替换连字符为缺失值

先把DataFrame中的-.----统一替换为Pandas的缺失值pd.NA：

import pandas as pd
import numpy as np

# 假设你的原始DataFrame为df
df = df.replace('-.----', pd.NA)

2. 提取三行数据

分别取出Max、Zero、Miss三行单独处理：

max_row = df.loc['MaxST1 - ST2-V']
zero_row = df.loc['ZeroST1 - ST2-V']
miss_row = df.loc['MissST1 - ST2-V']

3. 处理Miss行：将数值转为NaN

把Miss行中所有非缺失的数值统一转为NaN：

# 无论Miss行原数值是什么，都转为NaN
miss_row = miss_row.apply(lambda x: pd.NA if pd.notna(x) else pd.NA)

4. 按优先级合并为单行

用np.select实现多条件判断，生成最终结果行：

# 定义判断条件
conditions = [
    zero_row == 0,          # 条件1：Zero行是0
    pd.notna(miss_row)      # 条件2：Miss行需转为null
]

# 对应条件的取值
choices = [
    0,                      # 满足条件1时取0
    pd.NA                   # 满足条件2时取null
]

# 不满足上述条件时，取Max行浮点数四舍五入为整数
result_row = np.select(conditions, choices, default=max_row.round().astype(int))

# 转为Series并重命名行（替换为你的受试者编号）
result_series = pd.Series(result_row, index=df.columns, name='受试者_001')

# 若需要转为DataFrame格式
result_df = result_series.to_frame().T

关键说明 #

• 浮点数转整数：示例用round().astype(int)做四舍五入，若需直接截断小数部分，可改为astype(int)；如需向上/向下取整，用np.ceil(max_row).astype(int)或np.floor(max_row).astype(int)
• 优先级逻辑：确保Zero行的0不会被其他值覆盖，Miss行标记的null优先于Max行的数值

内容的提问来源于stack exchange，提问作者soph99