Pandas 读取CSV时移除每行前导NaN，左移行且保留非前导位置NaN

你之前尝试的代码存在本质逻辑偏差：df.first_valid_index()是针对整个DataFrame查找第一个非空行的索引位置做行切片，属于行维度的操作，完全没有涉及逐行扫描、移除每行左侧连续前导NaN、将剩余内容左移对齐的列维度处理，自然达不到预期效果。

核心逻辑：逐行定位每行第一个非NaN值的位置，将该位置及后续所有元素整体左移对齐到行的最左侧，行末尾空出的位置自动补NaN，全程保留元素原有的相对位置，不会删除非前导位置的任何NaN值。

中小规模数据集：逐行apply实现（代码简洁易读） #

定义逐行处理的函数，再批量应用到DataFrame上：

import pandas as pd
import numpy as np

def left_align_row(row):
    # 定位当前行第一个非NaN值的列名
    first_valid_col = row.first_valid_index()
    # 整行都是NaN的场景直接返回
    if first_valid_col is None:
        return row
    # 计算左移的偏移量：即当前行开头连续NaN的个数
    offset = row.index.get_loc(first_valid_col)
    # 整体左移offset位，末尾自动补NaN
    return row.shift(-offset)

# 逐行应用处理
df_processed = df.apply(left_align_row, axis=1)

用你提供的示例数据集测试，输出结果和你预期的对齐效果完全一致：

大规模数据集：向量化实现（处理效率更高） #

如果读取的CSV行数很多（十万级以上），逐行apply的Python循环效率较低，可以用NumPy的向量化操作批量计算每行的左移偏移量，整体处理速度能提升一个数量级：

# 生成非NaN的布尔掩码
is_not_nan = df.notna().to_numpy()
# 逐行计算前导NaN的个数（即需要左移的偏移量）
leading_nan_counts = (~is_not_nan).cumprod(axis=1).sum(axis=1)
# 逐行执行左移操作
raw_values = df.to_numpy()
processed_values = np.array([
    np.roll(row, -cnt) if cnt > 0 else row
    for row, cnt in zip(raw_values, leading_nan_counts)
])
# 还原为带原列名的DataFrame
df_processed = pd.DataFrame(processed_values, columns=df.columns)

对接原有CSV读取流程 #

不需要修改原有的读取代码，把处理逻辑直接接入即可：

response = pd.read_csv(r'MonthlyPermitReport.csv')
df_processed = response.apply(left_align_row, axis=1)

内容的提问来源于stack exchange，提问作者Phil_in_Tx