Python中DataFrame行尾添加指定列值及None值处理问询

没问题，咱们一步步来搞定这个DataFrame的处理任务。首先先把你提供的原始数据准确构造出来，再按你的两个需求逐步操作，最终得到目标输出。

第一步：构造原始DataFrame #

先把你给出的表格转换成pandas能处理的DataFrame：

import pandas as pd

data = [
    ["A1", "ABC", "RED", 10, 20, None, None, None, None, None],
    ["B1", "ABC", "ORANGE", 40, None, None, None, None, None, None],
    ["C1", "ABC", "WHITE", 50, 34, 35, 57, 78, 98, None],
    ["D1", "ABC", "BLUE", 20, None, None, None, None, None, None]
]
df = pd.DataFrame(data, columns=["ID", "1", "2", "col0", "col1", "col2", "col3", "col4", "col5", "col6"])

第二步：处理两个核心需求 #

结合你给出的最终输出，咱们可以把两个需求结合起来高效处理：

1. 提取并使用“2”列的值替换每行第一个None

首先把“2”列的值单独存起来，方便后续使用：

col2_values = df["2"]

接下来定位每行中第一个出现的None（pandas里用NaN表示缺失值）：

# 获取每行第一个缺失值对应的列名
first_none_cols = df.isna().idxmax(axis=1)

然后用“2”列对应的值替换这些缺失值：

for idx, col in first_none_cols.items():
    # 确保该位置确实是缺失值（防止整行无缺失的情况）
    if pd.isna(df.loc[idx, col]):
        df.loc[idx, col] = col2_values[idx]

2. 调整列结构（移除原“2”列，匹配目标输出）

现在我们已经完成了缺失值替换，接下来移除原来的“2”列，就能得到你要的列结构：

df = df.drop(columns=["2"])

查看最终结果 #

运行完上面的代码后，打印df就能得到你想要的输出：

ID    1  col0  col1   col2  col3  col4  col5   col6
0  A1  ABC    10    20    RED   NaN   NaN   NaN    NaN
1  B1  ABC    40  ORANGE   NaN   NaN   NaN   NaN    NaN
2  C1  ABC    50    34    35    57    78    98  WHITE
3  D1  ABC    20   BLUE   NaN   NaN   NaN   NaN    NaN

注：输出中的NaN是pandas对缺失值的标准表示，如果你想只展示每行的有效数据，可以用df.apply(lambda row: row.dropna().tolist(), axis=1)，但这样会得到一个Series而非DataFrame，根据你的需求，保留原始列结构的DataFrame更符合要求。

优化：大数据集的向量化实现 #

如果你的DataFrame数据量很大，循环遍历会比较慢，可以用向量化操作来替代循环，效率更高：

# 创建标记矩阵，只标记每行第一个缺失值的位置
mask = df.isna() & (df.isna().cumsum(axis=1) == 1)
# 替换标记位置的值
df = df.mask(mask, col2_values, axis=0)

内容的提问来源于stack exchange，提问作者Rashmi