如何用另一列上一行值填充Pandas DataFrame的NaN？自定义函数报错排查

问题背景 #

现有如下Pandas DataFrame：

import pandas as pd
import numpy as np

df = pd.DataFrame({"A":[0,np.nan,0,0,np.nan,1,np.nan,1,0,np.nan],
                   "B":[0,1,0,0,1,1,1,0,0,0]})

需求：将A列中的NaN值替换为B列上一行对应的值，比如第2行（索引1）A列的NaN要替换为第1行（索引0）B列的0，第7行（索引6）A列的NaN要替换为第6行（索引5）B列的1。

用户定义了如下函数，但用apply调用后无法正常工作：

def impute_with_previous_B(df):
    for x in range(len(df)):
        if pd.isnull(df.loc[x,"A"]) == True:
            df.loc[x,"A"] = df.loc[x-1,"B"]

df["A"] = df.apply(lambda x: impute_with_previous_B(x),axis=1)

错误原因分析 #

1. apply(axis=1)参数理解错误：apply(axis=1)是逐行处理数据，传入函数的是单行的Series对象，而非整个DataFrame。你的函数里依然用df.loc[x,"A"]这种操作整个DataFrame的写法，完全不匹配传入的参数，自然无法执行。
2. 函数无返回值：你的函数没有任何return语句，apply执行后会返回一堆None，赋值给df["A"]会直接把整列变成NaN。
3. 循环逻辑的潜在问题：就算不用apply，直接调用这个函数，当索引为0（第一行）时，x-1=-1会取到DataFrame最后一行的B值，这不符合常规需求（第一行的NaN通常需要保留或单独处理）。

正确实现方式 #

推荐：Pandas向量化操作（高效简洁） #

不用循环，直接通过布尔索引结合shift()方法实现，这是Pandas的最优写法：

# 筛选A列为NaN的行，将其值替换为B列上一行的值
df.loc[df["A"].isna(), "A"] = df["B"].shift(1)

执行后结果符合需求：

可选：循环实现（仅作理解用，不推荐） #

如果一定要用循环，直接遍历DataFrame的索引即可，不需要apply：

for idx in df.index:
    if pd.isna(df.loc[idx, "A"]):
        # 跳过第一行，避免取到最后一行的B值
        if idx > 0:
            df.loc[idx, "A"] = df.loc[idx-1, "B"]
        # 可选：如果第一行A是NaN，可以在这里加else处理，比如保持NaN

内容的提问来源于stack exchange，提问作者szaki