Pandas按条件将DataFrame行首非零值前的数值填充为NaN

你可以用pandas的向量化操作高效实现需求，不需要逐行循环，具体代码如下：

import pandas as pd
import numpy as np

# 1. 构造示例数据（你实际使用时替换成自己的DataFrame即可）
df = pd.DataFrame({
    'id': [1, 2, 3],
    'val_week1': [0, 1, 0],
    'val_week2': [0, 0, 0],
    'val_week3': [3, 0, 0],
    'val_week4': [2, 2, 0],
    'val_week5': [0, 3, 1]
})

# 2. 提取所有数值列，排除id列
val_cols = df.columns.drop('id')
val_df = df[val_cols]

# 3. 构造替换掩码：标记每行第一个非零值之前的位置
mask = ~(val_df != 0).cummax(axis=1)

# 4. 把掩码对应位置替换为NaN
df.loc[:, val_cols] = val_df.mask(mask, np.nan)

# 输出结果验证
print(df)

逻辑说明 #

1. val_df != 0 会生成布尔矩阵，非零值的位置标记为True
2. 按行做累积最大值cummax(axis=1)：一旦某行出现第一个True，后续所有位置都会保持True，正好覆盖「第一个非零值及之后的所有列」
3. 对上述结果取反后，True对应的就是「第一个非零值之前的列」，也就是我们需要替换为NaN的位置
4. 最后调用mask方法完成批量替换即可

如果你遇到全零行的特殊情况，上述逻辑会把整行数值都替换为NaN，如果有其他处理需求可以基于这个框架调整。

内容的提问来源于stack exchange，提问作者HKedia