如何在Pandas DataFrame中为非空列批量拼接column1内容并删除原column1

针对你提出的需求，我整理了清晰的实现思路和两种高效的Pandas代码方案，直接就能套用：

问题复现 #

先把你的示例DataFrame用代码还原出来，方便测试：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'column1': [1, 2, 3],
    'column2': ['xx', 'xx', 'xx'],
    'column3': ['cc', 'cc', np.nan],
    'column4': [np.nan, 'gg', 'gg'],
    'columnn': ['aa', 'aa', 'aa']
})

实现思路 #

核心逻辑分三步，简单易懂：

• 锁定目标列：先筛选出除column1之外的所有列，明确需要处理的列集合
• 条件拼接操作：对每个目标列，仅对非NaN的单元格执行拼接——把column1对应行的值转成字符串后，和当前单元格内容合并；如果是NaN则保持原样
• 收尾清理：将处理后的列替换回原DataFrame，最后删除column1列

代码实现 #

这里提供两种方案，你可以根据数据量选择：

方案1：简洁的apply写法（适合小数据集）

这种写法逻辑直观，容易理解：

# 遍历所有需要处理的列
for col in df.columns.drop('column1'):
    # 逐行判断：非NaN则拼接，否则保留原值
    df[col] = df.apply(lambda row: str(row['column1']) + row[col] if pd.notna(row[col]) else row[col], axis=1)

# 删除column1列
df = df.drop('column1', axis=1)

方案2：高效的向量化写法（适合大数据集）

Pandas的向量化操作比apply快很多，数据量越大优势越明显：

# 先把column1转成字符串，避免拼接时的类型问题
col1_str = df['column1'].astype(str)

# 遍历处理每一列
for col in df.columns.drop('column1'):
    # 仅对非NaN值执行拼接，NaN值用空字符串占位
    df[col] = col1_str + df[col].where(pd.notna(df[col]), other='')
    # 把空字符串转回NaN，还原原始空值状态
    df[col] = df[col].replace('', np.nan)

# 删除原column1列
df = df.drop('column1', axis=1)

最终效果 #

运行任意一种方案后，都会得到你想要的结果：

column2 column3 column4 columnn
0     1xx     1cc     NaN     1aa
1     2xx     2cc     2gg     2aa
2     3xx     NaN     3gg     3aa

小提醒 #

• 如果你的column1本身就是字符串类型，可以省略astype(str)这一步
• 大数据集优先选方案2，速度提升很明显

内容的提问来源于stack exchange，提问作者redplanet