Python：如何基于前序数据替换循环中DataFrame的数值

我需要对一个较大的DataFrame执行数值替换操作。目标DataFrame为C，其中00:00时刻的数值为当日均值，希望将该数值重复填充至当日后续24小时的0值位置，使当日所有时刻数值一致。

我尝试的代码（无法实现预期效果） #

C = q.merge(ss, how='right',left_index=True, right_index=True)
C = C.fillna(0)
for index, row in C['H04_PEDRO_MARIN'].iteritems():
    if row == 0.0:
        C.replace({'H04_PEDRO_MARIN':{0.0:'Valor Anterior'}),inplace = True)
       
    else:
        None

当前数据与期望效果 #

当前DataFrame示例：

29/07/11 21:00  0
29/07/11 22:00  0
29/07/11 23:00  0
30/07/11 00:00  27658,625
30/07/11 01:00  0
...
31/07/11 00:00  32617,125
31/07/11 01:00  0
...

期望实现的效果：

29/07/11 21:00  0
29/07/11 22:00  0
29/07/11 23:00  0
30/07/11 00:00  27658,625
30/07/11 01:00  27658,625
...
31/07/11 00:00  32617,125
31/07/11 01:00  32617,125
...

解决方案 #

你的循环代码有两个核心问题：一是replace会把所有0.0统一替换成固定值，无法动态取当日0点的均值；二是循环遍历大DataFrame效率极低。推荐用pandas的时间序列分组填充方法，高效解决需求：

步骤1：确保索引为时间类型 #

先确认DataFrame的索引是datetime格式，若不是则转换：

import pandas as pd
import numpy as np

C.index = pd.to_datetime(C.index, format='%d/%m/%y %H:%M')

方法一：提取日均值后向前填充（高效推荐） #

# 提取每日00:00的数值，其他位置设为NaN
daily_mean = C['H04_PEDRO_MARIN'].where(C.index.hour == 0)

# 向前填充，让全天每个时间点都对应当日0点的均值
filled_daily_mean = daily_mean.ffill()

# 把原列的0值替换为对应均值，保留原本非0的历史数据（比如29日晚的0）
C['H04_PEDRO_MARIN'] = C['H04_PEDRO_MARIN'].replace(0, np.nan).combine_first(filled_daily_mean).fillna(0)

方法二：按日期分组填充（逻辑直观） #

# 按日期分组，每组内用00:00的数值替换组内的0值
C['H04_PEDRO_MARIN'] = C.groupby(C.index.date)['H04_PEDRO_MARIN'].apply(
    lambda x: x.replace(0, x[x.index.hour == 0].iloc[0]) if not x[x.index.hour == 0].empty else x
)

说明 #

• 两种方法都无需循环，处理大DataFrame的效率远高于原代码
• 方法一利用向前填充的特性，计算速度更快；方法二按日期分组，逻辑更易理解
• 都会保留29日晚未到次日0点的0值，符合你的期望效果

内容的提问来源于stack exchange，提问作者Guille GL