如何在pandas DataFrame中补全托盘缺失点位的对应数据行

直接用pandas向量化操作实现，比嵌套循环效率更高，代码如下：

第一步：构造示例数据（可跳过，直接用你自己的df即可） #

import pandas as pd

data = [
    [16229767, 5, 2, 1, 'T1', 123],
    [16229767, 5, 1, 0, 'T1', 123],
    [16229767, 5, 3, 0, 'T1', 123],
    [16229767, 5, 4, 0, 'T1', 123],
    [16229767, 3, 3, 1, 'T9', 38],
    [16229767, 3, 1, 0, 'T9', 38],
    [16229767, 3, 4, 0, 'T9', 38],
    [29767162, 7, 1, 0, 'T4', 991],
    [29767162, 7, 4, 1, 'T4', 991]
]
df = pd.DataFrame(data, columns=['timestamp', 't_idx', 'position', 'error', 'type', 'SNR'])

第二步：核心补全逻辑 #

# 1. 提取每个「时间戳+托盘ID」组合的公共固定字段，同组合下type、SNR取值一致
group_fixed = df.groupby(['timestamp', 't_idx'], as_index=False)[['type', 'SNR']].first()

# 2. 为每个组合扩展出1-4的全部点位，生成理论完整表
full_pos = group_fixed.assign(position = [list(range(1,5))]*len(group_fixed)).explode('position', ignore_index=True)

# 3. 关联原表的error字段，缺失点位的error统一填充为1
df_full = full_pos.merge(
    df[['timestamp', 't_idx', 'position', 'error']], 
    on=['timestamp', 't_idx', 'position'], 
    how='left'
)
df_full['error'] = df_full['error'].fillna(1).astype(int)

# 4. 调整列顺序与原表一致，重置索引
df_full = df_full[['timestamp', 't_idx', 'position', 'error', 'type', 'SNR']].reset_index(drop=True)

说明 #

• 输出的df_full就是补全后的结果，和你预期的补全行完全一致
• 如果同个「时间戳+托盘ID」组合下type、SNR存在多个取值，可将first()替换为mode().iloc[0]取众数，或根据你的业务规则调整取值逻辑
• 相比嵌套循环遍历的写法，向量化操作在数据量较大时性能提升非常明显

内容的提问来源于stack exchange，提问作者Drimer