先看一下你的DataFrame示例：

你提到的需求很明确：DataFrame的day/month/year三列对应日期，最后一列C里每个月的每一周都有一个非空值，需要把同周的所有NaN都替换成这个非空值。

你之前尝试的三层循环方法效率很低，而且逻辑上有问题——每次循环都会把所有NaN替换成指定day=3的值，不仅会覆盖之前的修改，还只处理了第一周的情况，没法覆盖所有周。

推荐用Pandas的分组填充来解决，既高效又简洁，步骤如下：

1. （可选）生成日期列（方便更精准的周计算） #

如果你的周定义是标准的日历周，可以先把年月日转换成日期格式：

df['date'] = pd.to_datetime(df[['year', 'month', 'day']])

2. 标记每行所属的月内周数 #

这里分两种情况：

• 如果你是按日期区间划分周（比如1-7号是第1周，8-14号是第2周，以此类推），直接计算：

df['month_week'] = df['day'] // 7 + 1

• 如果你是按标准日历周划分（比如周一到周日为一周，跨月的周算到所在的月），可以用：

df['month_week'] = df['date'].dt.isocalendar().week - df['date'].dt.floor('MS').dt.isocalendar().week + 1

3. 分组填充NaN值 #

按year、month、month_week分组，用每组的非空值填充整个组的NaN：

# 方法1：取每组第一个非空值填充
df['C'] = df.groupby(['year', 'month', 'month_week'])['C'].transform(lambda x: x.fillna(x.dropna().iloc[0]))

# 方法2：因为每组只有一个非空值，用ffill+bfill更简洁
df['C'] = df.groupby(['year', 'month', 'month_week'])['C'].apply(lambda x: x.ffill().bfill())

这样就能自动把每个月对应周的所有NaN都替换成该周的非空值，而且比循环方法快得多，尤其是数据量大的时候。

备注：内容来源于stack exchange，提问作者Hashem Kherfi