如何基于同Name字段填充ID为1/6的行中Azimut列的NaN值

原始数据 #

Name  | ID  |  Azimut
foo   | 1   |  180
foo   | 6   |  NaN
bar   | 1   |  NaN
bar   | 6   |  200 

目标 #

筛选出ID为1或6的行，若某行的Azimut为NaN，则用同Name下的非NaN值填充，最终得到：

Name  | ID  |  Azimut
foo   | 1   |  180
foo   | 6   |  180
bar   | 1   |  200
bar   | 6   |  200 

现有代码的问题 #

当前代码仅能处理ID=6的NaN填充场景，反向场景（ID=1的NaN用ID=6的值填充）需重复编写逻辑，且未校验ID1与ID6的配对情况：

nan_rows = df.loc[(df['ID'] == 6) & (df['Azimut'].isna())]
values = df.loc[(df['Name'].isin(nan_rows['Name'])) & (df['ID'] == 1), 'Azimut']
df.loc[(df['ID'] == 6) & (df['Azimut'].isna(), 'Azimut'] = values.values

利用Pandas分组填充功能，可一次性处理双向填充场景，同时自动适配ID配对情况：

# 筛选出ID为1或6的行，不影响其他ID数据
target_mask = df['ID'].isin([1, 6])
# 按Name分组，用组内非NaN值填充所有NaN
df.loc[target_mask, 'Azimut'] = (
    df.loc[target_mask]
    .groupby('Name')['Azimut']
    .transform(lambda x: x.fillna(x.dropna().iloc[0]))
)

逻辑说明 #

• 先通过isin([1,6])锁定目标ID范围，避免修改无关数据
• 按Name分组后，transform确保填充逻辑作用于原DataFrame的对应行
• x.dropna().iloc[0]取组内第一个非NaN值，若组内存在多个非NaN值，会统一用该值填充；若需要其他逻辑（如均值），可替换为x.mean()等
• 自动处理ID1与ID6的双向NaN填充，无需单独编写反向逻辑

如果需要仅对存在非NaN值的组进行填充（跳过全NaN的组），可添加校验：

target_mask = df['ID'].isin([1, 6])
grouped_azimut = df.loc[target_mask].groupby('Name')['Azimut']
# 标记组内存在非NaN值的行
has_valid_value = grouped_azimut.transform(lambda x: x.notna().any())
# 仅对有效组进行填充
df.loc[target_mask & has_valid_value, 'Azimut'] = grouped_azimut.transform(lambda x: x.fillna(x.dropna().iloc[0]))

内容的提问来源于stack exchange，提问作者Sergio Del Carpio