使用np.where()结合.iloc[]修改DataFrame缺失值出错，求解决方案

我用np.where()和.iloc[]替换DataFrame里的NaN值为"missing"，结果不符合预期，推测是.iloc[]对元组格式索引的处理逻辑导致的。需要修复方法或者除fillna()外的替代方案——实际需求是根据df1的条件获取索引，再修改df2对应位置的值，fillna()无法满足这个跨DataFrame的场景。

附相关代码及结果：

初始DataFrame代码：

import numpy as np
import pandas as pd

data = {'Name': ['John', 'Alice', 'Bob', 'Jane', 'Mark'],
    'Age': [25, 31, np.nan, 28, 35],
    'Salary': [50000, np.nan, 70000, np.nan, 90000]}
df = pd.DataFrame(data)

初始输出：

Name   Age   Salary
0   John  25.0  50000.0
1  Alice  31.0      NaN
2    Bob   NaN  70000.0
3   Jane  28.0      NaN
4   Mark  35.0  90000.0

替换代码：

value_to_replace = "missing"
missing_mask = np.where(df.isna())  # 创建缺失值的布尔掩码
df.iloc[missing_mask]= value_to_replace  # 尝试替换

实际错误结果：

Name      Age   Salary
0   John     25.0  50000.0
1  Alice  missing  missing
2    Bob  missing  missing
3   Jane  missing  missing
4   Mark     35.0  90000.0

预期结果：

Name      Age   Salary  
0   John     25.0  50000.0  
1  Alice     31.0  missing  
2    Bob  missing  70000.0 
3   Jane     28.0  missing  
4   Mark     35.0  90000.0

问题根源 #

np.where(df.isna())返回的是行索引数组和列索引数组组成的元组，直接传给.iloc[]时，Pandas会将其解析为“行取元组第一个数组的所有值，列取元组第二个数组的所有值”的交叉索引，导致选中了所有涉及NaN的行的全部列，最终错误地批量修改了整行内容。

修复方法 #

方法1：循环定位逐个赋值 #

将元组中的行、列索引一一打包成坐标对，逐个修改对应位置的值：

value_to_replace = "missing"
missing_mask = np.where(df.isna())
# 打包行和列索引，逐个赋值
for row, col in zip(*missing_mask):
    df.iloc[row, col] = value_to_replace

方法2：直接操作底层numpy数组（高效版） #

利用numpy支持元组索引的特性，直接操作DataFrame的底层数组，无需循环，性能更优：

value_to_replace = "missing"
missing_mask = np.where(df.isna())
df.values[missing_mask] = value_to_replace

适配跨DataFrame场景 #

针对你“根据df1条件获取索引，修改df2值”的需求，可按以下步骤实现：

1. 从df1中提取目标索引：target_index = np.where(df1[条件])
2. 用上述任意一种方法修改df2：
   • 循环方式：for row, col in zip(*target_index): df2.iloc[row, col] = new_value
   • numpy数组方式：df2.values[target_index] = new_value

内容的提问来源于stack exchange，提问作者lianalan