嗨，这个需求其实可以通过精准标记目标NaN位置，再针对性替换来实现，我给你两种实用的方案：

方法一：用布尔索引直接判断前后有效值 #

咱们可以通过shift()方法获取当前行的前后值，结合布尔条件筛选出被有效值包围的NaN，然后替换为0：

import pandas as pd
import numpy as np

# 初始化你的数据
b = pd.DataFrame({"a": [np.nan, 1, np.nan, 2, np.nan]})

# 构建筛选条件：当前是NaN，且前一行、后一行都不是NaN
mask = b['a'].isna() & b['a'].shift().notna() & b['a'].shift(-1).notna()

# 替换符合条件的NaN为0
b.loc[mask, 'a'] = 0

print(b)

运行后就能得到你想要的结果：

a
0  NaN
1  1.0
2  0.0
3  2.0
4  NaN

方法二：借助interpolate的limit_area特性 #

既然你已经知道df.interpolate(limit_area='inside')能识别被有效值包围的NaN，那我们可以利用这个特性先标记出目标位置，再替换为0：

import pandas as pd
import numpy as np

b = pd.DataFrame({"a": [np.nan, 1, np.nan, 2, np.nan]})

# 用interpolate标记出会被填充的inside位置
filled_series = b['a'].interpolate(limit_area='inside')
# 筛选出原数据是NaN、且filled_series已被填充的位置（就是目标NaN）
mask = b['a'].isna() & filled_series.notna()

# 替换为0
b.loc[mask, 'a'] = 0

print(b)

这个方法的逻辑是：interpolate(limit_area='inside')只会填充被有效值包围的NaN，所以filled_series中这些位置会有插值结果，我们通过对比原数据就能精准定位到需要替换的NaN。

内容的提问来源于stack exchange，提问作者user3595632