如何按时间合并DataFrame/CSV行，仅填充NaN单元格？

先直接上可运行的完整代码，再拆解关键步骤：

import pandas as pd

try:
    # 读取CSV时将"--"转为缺失值，同时筛选目标列
    csv = pd.read_csv(
        csv_path,
        usecols=lambda c: c in {"Time", "Num", "MyCols..."},
        na_values="--"  # 核心：让pandas识别"--"为缺失值
    )
except ValueError:
    print("No Tracking Data")
    return

# 过滤掉有效数据不足2列的行
csv = csv.dropna(thresh=2)

# 按Time分组合并，仅填充缺失单元格
merged_csv = csv.groupby("Time", as_index=False).first()

# 若同一时间的多行分散在不同列有值，可改用这个更稳妥的合并逻辑：
# merged_csv = csv.groupby("Time").apply(lambda x: x.bfill().ffill().iloc[0]).reset_index(drop=True)

关键步骤说明 #

• 缺失值标准化：读取CSV时必须加na_values="--"，否则pandas会把"--"当成普通字符串，后续的缺失值合并逻辑完全失效。
• 分组合并逻辑：
  • groupby("Time").first()：对每个时间分组的每一列，取第一个非缺失值，自动跳过后续的NaN，完美实现"仅覆盖NaN单元格"的需求。
  • 备选的bfill().ffill()：先向后填充（用后面行的有效值补前面的NaN），再向前填充（用前面行的有效值补后面的NaN），最后取第一行，适合同一时间分组内多行分散持有不同列有效值的场景。
• 性能适配：2万行数据属于pandas的轻量级处理场景，两种合并方法都能秒级完成，无需额外优化。

内容的提问来源于stack exchange，提问作者MattK