Pandas如何通过关联另一张DataFrame填充指定列的NaN缺失值

这里提供两种常用实现方式，都可以避免维度不匹配的报错：

方案1：map+fillna 组合（更简洁，无多余列产生） #

先把映射表转成ID到Val的索引结构，再直接对目标表的缺失值做匹配填充：

import pandas as pd

# 假设你的映射表名为 df_map，目标表名为 df_target
# 构建ID-Val映射关系
id_val_mapper = df_map.set_index("ID")["Val"]

# 匹配ID填充缺失值
df_target["Val"] = df_target["Val"].fillna(df_target["ID"].map(id_val_mapper))

如果你的预期输出里ID3的Val需要保留NaN，只需加一行过滤逻辑即可，比如只填充ID<=2的缺失值。

方案2：左连接实现类join关联填充 #

如果你需要用显式的关联操作实现，可以用左连接的方式：

# 按ID左连接两个表，给映射表的Val列加后缀避免重名
df_merged = df_target.merge(df_map, on="ID", how="left", suffixes=("", "_map"))

# 用关联得到的Val_map列填充原Val列的缺失值
df_merged["Val"] = df_merged["Val"].fillna(df_merged["Val_map"])

# 删除多余的辅助列得到最终结果
df_result = df_merged.drop(columns=["Val_map"])

报错原因说明 #

你之前出现维度不匹配报错，通常是因为直接把映射表的Val列整体赋值给目标表的缺失值位置，两个表行数、行顺序都不一致才会触发错误。上述两种方案都会自动按ID对齐数据，不需要手动匹配维度。

内容的提问来源于stack exchange，提问作者lte__