Pandas按层级逐行填充非0值的实现方案咨询

你现有的apply逐行迭代方案存在两个问题：一是硬编码只处理了值为2的场景，无法适配示例中的非0值1等其他情况；二是逐行迭代在数据量较大时性能极差，无法发挥Pandas向量化运算的优势。

以下是更合理高效的实现方式：

核心思路 #

利用Pandas内置的缺失值向前填充能力，三步完成需求：

1. 将所有0值替换为缺失值NaN
2. 沿行方向（从左到右）做向前填充，把第一个非0值向右传递
3. 将剩余未填充的NaN（对应整行全为0的情况）换回0，再转回整数类型即可

实现代码 #

import pandas as pd

# 构造示例输入数据
data = {
    'Level1 - Code' : [0, 0, 0, 2],
    'Level2 - Code' : [0, 1, 0, 0],
    'Level3 - Code' : [2, 0, 0, 0],
    'Level4 - Code' : [0, 0, 0, 0]
}
df = pd.DataFrame(data)

# 核心处理逻辑
df_output = df.replace(0, float('nan')).ffill(axis=1).fillna(0).astype(int)

# 输出验证
print(df_output)

方案优势 #

• 逻辑简洁：无需自定义函数和逐行迭代，核心逻辑仅一行代码
• 性能优异：全部调用Pandas内置向量化运算接口，万行以上数据量下性能是apply方案的数十倍
• 兼容性强：自动适配所有非0值，无需硬编码判断特定数值，可直接扩展到更多层级的列

如果你的原始数据中存在合法NaN值，不想和0替换产生的NaN混淆，可以用mask方法替代replace，效果一致：

df_output = df.mask(df.eq(0)).ffill(axis=1).fillna(0).astype(int)

内容的提问来源于stack exchange，提问作者Flo Cp