Python中如何将DataFrame每行首个0之后的0替换为NaN

核心思路是利用pandas按行累计计算的特性，全程不需要转置DataFrame，也不用写低效的逐行循环：逐行累计统计0的出现次数，所有累计0出现次数大于1的位置（也就是首个0之后的位置），对应位置的0替换为NaN即可。

完整实现代码 #

首先导入依赖、构造示例数据：

import pandas as pd
import numpy as np

# 构造示例输入DataFrame
df = pd.DataFrame(
    [
        [55, 34, 30, 29, 15, 0, 0],
        [63, 59, 49, 32, 21, 16, 0],
        [42, 24, 12, 5, 0, 0, 0],
        [25, 6, 0, 0, 0, 0, 0],
        [13, 0, 0, 0, 0, 0, 0]
    ],
    columns=list("ABCDEFG")
)

核心处理逻辑仅需1行：

df = df.mask(df.eq(0).cumsum(axis=1) > 1, np.nan)

处理后打印输出的结果和预期完全一致：

A   B   C     D     E     F    G
0  55  34  30  29.0  15.0   0.0  NaN
1  63  59  49  32.0  21.0  16.0  0.0
2  42  24  12   5.0   0.0   NaN  NaN
3  25   6   0   NaN   NaN   NaN  NaN
4  13   0 NaN   NaN   NaN   NaN  NaN

逻辑拆解 #

• df.eq(0)：生成和原DataFrame尺寸一致的布尔矩阵，值为0的位置标记为True（运算中等价于数值1），非0位置标记为False（运算中等价于数值0）
• .cumsum(axis=1)：按行方向（从A列到G列的顺序）做累计求和，每行第一个出现0的位置累计值为1，后续每多出现一个0累计值加1
• df.mask(..., np.nan)：将累计值大于1的位置（即首个0之后的所有位置）的值替换为NaN，非0值哪怕处于首个0之后也不会被误改，完全匹配需求

性能说明 #

该实现为pandas原生向量化运算，哪怕DataFrame达到数十万行、上百列的规模，运行速度也远快于apply逐行遍历、手写for循环的方案。处理后的结果直接传入绘图库时，NaN值会被自动跳过，不会出现连续0值把衰减曲线拖平的问题。

内容的提问来源于stack exchange，提问作者LostinSpatialAnalysis