如何仅用B表数据替换A表lvalue列的NaN值？

看起来你已经尝试了几种方法但没达到预期效果，核心问题是没有按key列进行匹配替换，而是直接按位置或索引操作，导致无法正确对应到B表的对应值。下面给你两种简单可靠的解决方案：

方法一：字典映射+fillna（最简洁） #

先把B表转换成key到lvalue的映射字典，然后针对A表中lvalue的NaN值，通过key匹配字典中的值进行填充：

import pandas as pd
import numpy as np

# 模拟你的A、B表数据
A = pd.DataFrame({
    'key': ['a', 'c', 'e', 'a', 'c', 'e'],
    'lvalue': [1.0, np.nan, 3.0, 1.0, np.nan, 3.0],
    'group': ['a', 'a', 'a', 'b', 'b', 'b']
})

B = pd.DataFrame({
    'key': ['a', 'c', 'e'],
    'lvalue': [2.0, 2.0, 5.0]
})

# 生成key到lvalue的映射字典
b_key_map = B.set_index('key')['lvalue'].to_dict()

# 填充NaN：用key匹配字典中的值
A['lvalue'] = A['lvalue'].fillna(A['key'].map(b_key_map))

print(A)

运行后就能得到你想要的结果：

key  lvalue group
0   a     1.0     a
1   c     2.0     a
2   e     3.0     a
3   a     1.0     b
4   c     2.0     b
5   e     3.0     b

方法二：merge左连接后填充 #

通过左连接把B表的lvalue关联到A表，再用关联后的值填充NaN：

# 左连接A和B，保留A的所有行
merged_df = A.merge(B, on='key', suffixes=('', '_b'), how='left')
# 用B的lvalue填充A的NaN
A['lvalue'] = merged_df['lvalue'].fillna(merged_df['lvalue_b'])

print(A)

这个方法的好处是直观，适合需要查看中间关联结果的场景，最终效果和方法一一致。

为什么你之前的方法失败？ #

简单分析下你尝试的几种方法的问题：

• np.where(A['lvalue'].isna(), B, A)：B是完整的DataFrame，和A的列数（A多了group列）、行数都不匹配，无法直接替换。
• A.fillna(B)：默认按索引对齐填充，但A和B的索引没有对应关系，且B缺少group列，无法正确匹配key。
• A.combine_first(B)：同样是按索引合并，不是按key匹配，所以无法替换对应key的NaN。
• pd.merge_ordered(A, B, left_by='key')：这个是按顺序合并，会生成重复行，不是替换NaN的正确逻辑。
• A.loc[A['lvalue'].isnull(),'lvalue'] = B['lvalue']：按位置赋值，而非按key匹配，若A的NaN位置和B的key顺序不一致就会出错，逻辑上不严谨。

内容的提问来源于stack exchange，提问作者aim