如何简洁实现非均匀间距Pandas DataFrame的NaN插值补全？

给定包含债券利率的DataFrame，其中存在大量NaN值，列名对应非均匀分布的债券期限，无法直接使用interpolate方法填充。原始数据如下：

timeperiod  cm01  cm03  cm06  cy01  cy02  cy03  cy05  cy07  cy10  cy20  cy30
1962-01-02   NaN   NaN   NaN  3.22   NaN  3.70  3.88   NaN  4.06  4.07   NaN
1962-01-03   NaN   NaN   NaN  3.24   NaN  3.70  3.87   NaN  4.03  4.07   NaN
1962-01-04   NaN   NaN   NaN  3.24   NaN  3.69  3.86   NaN  3.99  4.06   NaN
1962-01-05   NaN   NaN   NaN  3.26   NaN  3.71  3.89   NaN  4.02  4.07   NaN
1962-01-08   NaN   NaN   NaN  3.31   NaN  3.71  3.91   NaN  4.03  4.08   NaN

当前采用逐行循环的方式填充NaN：

terms = np.array([1/12,3/12,6/12,1,2,3,5,7,10,20,30])
term_col = ['cm01', 'cm03', 'cm06', 'cy01', 'cy02', 'cy03', 'cy05', 'cy07', 'cy10', 'cy20', 'cy30']

for i in rf.index:
    d = (rf.loc[i,term_col]).to_numpy(dtype=float)

    spl = CubicSpline(terms[~np.isnan(d)],d[~np.isnan(d)],extrapolate=True)
    rf.loc[i,term_col] = spl(terms)

希望找到更简洁优雅的实现方式，误以为apply无法返回多值且不想使用global变量，特此求助。

其实apply完全可以返回多列数据，只要让每行的处理函数返回一个Series即可，这样就能避免循环，实现更简洁的代码：

from scipy.interpolate import CubicSpline
import numpy as np
import pandas as pd

terms = np.array([1/12, 3/12, 6/12, 1, 2, 3, 5, 7, 10, 20, 30])
term_col = ['cm01', 'cm03', 'cm06', 'cy01', 'cy02', 'cy03', 'cy05', 'cy07', 'cy10', 'cy20', 'cy30']

def fill_row(row):
    d = row[term_col].to_numpy(dtype=float)
    valid_mask = ~np.isnan(d)
    # 处理全NaN的极端情况（如果有的话）
    if not valid_mask.any():
        return row
    spl = CubicSpline(terms[valid_mask], d[valid_mask], extrapolate=True)
    row[term_col] = spl(terms)
    return row

# 应用函数到每一行，直接得到填充后的DataFrame
rf_filled = rf.apply(fill_row, axis=1)

说明 #

• 利用apply的axis=1参数逐行处理，每行处理函数返回填充后的Series，apply会自动将这些Series组合成完整的DataFrame。
• 加入了全NaN行的判断，避免出现无有效数据时的报错。
• 代码结构更紧凑，避免了显式的索引循环，可读性更高。

内容的提问来源于stack exchange，提问作者Gabriella Chaos