Pandas：为DataFrame填充缺失值的最优方法

嘿，我来给你分享几个简洁高效的方案，完全不用循环迭代，和R里的简便操作异曲同工！

首先先还原你的场景：

import pandas as pd
df = pd.DataFrame([[1,3,'NA',2], [0,1,1,3], [1,2,'NA',1]], columns=['W', 'X', 'Y', 'Z'])
print(df)

这个DataFrame里的Y列有两个字符串'NA'作为缺失值，你已经得到了对应的插补值to_impute = [2,1]，下面是两种避开循环的最优解法：

方法1：布尔索引直接赋值（最直接高效） #

这是最推荐的方式，利用pandas的向量化特性，一行代码就能搞定：

to_impute = [2,1]
# 定位Y列等于'NA'的行，直接赋值插补值
df.loc[df['Y'] == 'NA', 'Y'] = to_impute

原理很简单：df['Y'] == 'NA'会生成一个布尔序列，精准标记出需要替换的行；loc索引器可以直接定位这些行的Y列，然后把to_impute列表赋值过去——pandas会自动按顺序将列表中的值对应到目标行，完全不需要手动循环。

方法2：先转换为标准缺失值再填充（适合后续统一处理） #

如果之后还需要对其他缺失值做统一操作，可以先把字符串'NA'转换为pandas标准的缺失值pd.NA，再用指定值填充：

# 第一步：将字符串'NA'转为标准缺失值
df['Y'] = df['Y'].replace('NA', pd.NA)
# 第二步：针对缺失的行，用to_impute填充
df['Y'] = df['Y'].fillna(pd.Series(to_impute, index=df[df['Y'].isna()].index))

这种方法的好处是统一了缺失值的格式，方便后续用pandas的缺失值处理工具（比如dropna、interpolate等）操作，不过对于当前的需求来说，方法1更直接。

这两种方法都是向量化操作，比循环iloc赋值效率高得多，尤其是当数据量很大的时候，性能差距会非常明显，而且代码简洁易读，完全符合你想要的简洁风格。

内容的提问来源于stack exchange，提问作者fraserbc