如何用同行user字段值加1替换DataFrame中的NaN值？

需求场景 #

原始DataFrame数据如下：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'user': [1.0, 4.0, 1.0],
    'days_unseen': [2.0, 5.0, np.nan]
})

需要将索引2位置的days_unseen列NaN值，替换为该行user字段的值加1，最终得到：

user  days_unseen
0   1.0          2.0
1   4.0          5.0
2   1.0          2.0

具体实现方法 #

方法1：直接定位索引修改（最简洁）

针对单个指定位置的修改，直接通过loc定位赋值即可：

df.loc[2, 'days_unseen'] = df.loc[2, 'user'] + 1

方法2：布尔索引批量处理（扩展性强）

如果需要同时处理多个符合条件的行，可通过布尔索引筛选后批量赋值：

# 筛选条件：索引为2 且 days_unseen为NaN
mask = (df.index == 2) & df['days_unseen'].isna()
df.loc[mask, 'days_unseen'] = df.loc[mask, 'user'] + 1

后续若要修改其他索引，只需调整df.index == 2的条件即可（比如改成df.index.isin([2,5])处理多个索引）。

方法3：apply逐行处理（适配复杂逻辑）

如果有更复杂的行级判断逻辑，可使用apply函数逐行处理：

def process_row(row):
    if row.name == 2 and pd.isna(row['days_unseen']):
        return row['user'] + 1
    return row['days_unseen']

df['days_unseen'] = df.apply(process_row, axis=1)

验证结果 #

执行任意一种方法后，打印DataFrame即可得到目标结果：

print(df)

内容的提问来源于stack exchange，提问作者Jj Encrypt