Pandas合并两个DataFrame后如何消除NaN值 附代码及学习建议求助

你之前使用pd.concat按行（axis=0）拼接列数不同的两个DataFrame时，pandas会自动对齐列名，列数少的Us数据对应的缺失列会被填充为NaN；后续使用axis=0的前向填充是按行从上到下填充，自然会把前半部分Ds的最后一行数据填充到后面Us行的空列中，和你的需求不匹配。
结合你给出的完整处理流程，推荐调整方案如下：

1. 拆分后区分字段前缀，按列拼接同一条原始数据的Ds和Us内容

# 拆分Ds字段，所有列加ds_前缀避免和Us列重名
df1 = d1['hlogDs_dB'].str.split('[,:]', expand=True).astype(float).add_prefix('ds_')
# 拆分Us字段，所有列加us_前缀
df2 = d1['hlogUs_dB'].str.split('[,:]', expand=True).astype(float).add_prefix('us_')
# 按列方向拼接，同一条原始数据的Ds、Us拆分结果会合并到同一行，不会产生多余空值
df = pd.concat([df1, df2], axis=1)

2. int值与对应float值排序处理
   如果拆分后的列是「int索引、float数值」交替存储的结构，可参考如下逻辑完成排序关联：

# 筛选Ds对应的int列、float列，可根据你的实际拆分结果调整筛选规则
ds_int_cols = [col for idx, col in enumerate(df1.columns) if idx % 2 == 0]
ds_float_cols = [col for idx, col in enumerate(df1.columns) if idx % 2 == 1]

# 单行排序函数：将同一条数据的int和对应float配对后按int排序
def sort_pairs(row, int_cols, float_cols):
    pairs = list(zip(row[int_cols], row[float_cols]))
    # 按int值升序排序
    pairs.sort(key=lambda x: x[0])
    # 展开为排序后的序列返回
    return pd.Series([x[0] for x in pairs] + [x[1] for x in pairs])

# 批量处理所有行的排序
df_ds_sorted = df1.apply(sort_pairs, axis=1, args=(ds_int_cols, ds_float_cols))
# Us数据的排序可复用上述逻辑，处理完成后再和Ds排序结果合并即可

后续你就可以基于排序后的结果执行自定义公式计算、可视化操作。

• pandas官方中文文档：入门优先看「10分钟入门pandas」「基础教程」板块，覆盖所有核心语法与常用函数
• 国内主流教程平台的pandas入门专栏：知识点拆解细致，每个函数都配了可直接运行的小示例，适合边敲代码边学习
• 高校公开数据分析课程配套pandas实操内容：结合真实业务场景讲解用法，能快速掌握pandas的实际应用逻辑

内容的提问来源于stack exchange，提问作者Jumo