如何将DataFrame中除NaN外的浮点值替换为对应行索引名？

首先构造示例DataFrame（方便你复现测试）：

import pandas as pd
import numpy as np

df = pd.DataFrame(
    [[10.0, 190.6],
     [17.9, np.nan],
     [np.nan, 8.0],
     [9.0, 70.0]],
    index=['index1', 'index2', 'index3', 'index4']
)

以下是几种高效的实现方式：

方法1：逐行处理（简洁直观） #

利用apply按行遍历，对每行中非NaN的元素替换为行索引名称：

df_result = df.apply(lambda row: row.where(pd.isna(row), row.name), axis=1)

逻辑说明：row.where(pd.isna(row), row.name)会保留原行中的NaN值，将其余元素替换为当前行的索引名（row.name）。

方法2：广播索引值（性能更优） #

通过构造与原DataFrame结构一致、值为对应行索引的新DataFrame，再结合where完成替换：

# 创建全为行索引值的DataFrame
index_matrix = np.tile(df.index.to_numpy(), (len(df.columns), 1)).T
index_df = pd.DataFrame(index_matrix, index=df.index, columns=df.columns)

# 替换非NaN值
df_result = df.where(pd.isna(df), index_df)

逻辑说明：先生成和原表形状相同的索引值矩阵，再用原表的NaN值过滤，保留索引矩阵中对应非NaN位置的值。

方法3：numpy广播（底层高效） #

直接用np.where进行元素级判断替换：

df_result = pd.DataFrame(
    np.where(pd.notna(df), df.index.to_numpy()[:, np.newaxis], np.nan),
    index=df.index,
    columns=df.columns
)

逻辑说明：pd.notna(df)生成布尔矩阵标记非NaN位置，df.index.to_numpy()[:, np.newaxis]将索引转为列向量实现广播匹配，最终替换对应位置的值。

执行任意一种方法后，df_result的输出即为你期望的结果：

0        1
index1  index1  index1
index2  index2     NaN
index3     NaN  index3
index4  index4  index4

内容的提问来源于stack exchange，提问作者Shuman_tov