Pandas：基于其他列条件修改列值遇NaN问题求解

原始数据与需求 #

给定如下DataFrame：

import pandas as pd
import random
df = pd.DataFrame({
    "Alpha": ["A", "A", "A", "A", "B", "B", "B", "B"],
    "Beta": ["C", "D", "E", "F", "C", "D", "E", "F"],
    "Value": [1, 2, 3, 4, 7, 2, 5, 1],
})

需求：针对所有Alpha等于"A"的行，将其中Beta等于"D"的行的"Value"列值设置为Beta等于"F"的行的"Value"值乘以0.5，再乘以一个0.95至1.05之间的随机数。

用户尝试的代码 #

mask = (df['Alpha'] == 'A')
df.loc[mask & (df['Beta'] == 'D'), 'Value'] = df.loc[mask & (df['Beta'] == 'F'), 'Value'] * 0.5 * random.uniform(0.95, 1.05)

执行后，目标行的Value变为NaN，即使移除0.5也无法解决。

问题原因 #

核心问题是索引不匹配：

• df.loc[mask & (df['Beta'] == 'F')]返回的Series索引为3（对应原DataFrame第4行）
• df.loc[mask & (df['Beta'] == 'D')]返回的Series索引为1（对应原DataFrame第2行）

Pandas赋值时会按索引对齐，右侧Series中没有索引1的对应值，因此赋值结果为NaN。

解决方法 #

单分组场景（当前示例） #

因为Alpha="A"分组下，Beta="F"和Beta="D"各仅一行，直接提取Beta="F"行的Value标量值再计算即可：

mask = (df['Alpha'] == 'A')
# 提取Alpha=A且Beta=F的Value标量值
f_value = df.loc[mask & (df['Beta'] == 'F'), 'Value'].iloc[0]
# 计算目标值
target_value = f_value * 0.5 * random.uniform(0.95, 1.05)
# 赋值给目标行
df.loc[mask & (df['Beta'] == 'D'), 'Value'] = target_value

多分组扩展场景 #

如果后续每个Alpha分组下都有对应的D和F行，可通过groupby实现组内对应赋值：

def adjust_d_value(group):
    # 提取本组内Beta=F的Value值
    f_val = group[group['Beta'] == 'F']['Value'].iloc[0]
    rand_factor = random.uniform(0.95, 1.05)
    # 给本组内Beta=D的行赋值
    group.loc[group['Beta'] == 'D', 'Value'] = f_val * 0.5 * rand_factor
    return group

df = df.groupby('Alpha').apply(adjust_d_value)

内容的提问来源于stack exchange，提问作者user6346482