如何按A列分组转换DataFrame：优先保留非NaN值与首个值？

我懂你要的效果：按'A'列分组后，每个分组里的每一列都用该组内第一个出现的非NaN值来填满整个组的对应列，最终让DataFrame里尽量少出现空值，而且每个唯一的'A'值都对应固定的那个首个有效值对吧？

这里有两种靠谱的实现方式，你可以按需选择：

方法1：先提取分组首个有效值，再合并回原表 #

这种方法先把每个分组各列的第一个非NaN值提取出来，再通过合并把这些值映射回原表的每一行，逻辑很直观：

import pandas as pd
import numpy as np

# 先模拟一个示例DataFrame（你可以替换成自己的表）
df = pd.DataFrame({
    'A': ['X', 'X', 'Y', 'Y', 'Y'],
    'B': [1, np.nan, np.nan, 3, np.nan],
    'C': [np.nan, 2, 4, np.nan, np.nan]
})

# 1. 按'A'分组，提取每个列的第一个非NaN值（first()会自动跳过NaN取第一个有效值）
grouped_first = df.groupby('A').first().reset_index()

# 2. 把提取到的值合并回原DataFrame，自动按'A'列匹配对应行
result = df[['A']].merge(grouped_first, on='A', how='left')

运行后示例表会输出：

方法2：用transform直接在原表上填充 #

这种写法更简洁，直接在原表上操作，用transform把每个分组的首个有效值“广播”到组内所有行：

# 对所有列（除了分组键'A'），按'A'分组后用first()的结果填充整组
result = df.apply(lambda col: col.groupby(df['A']).transform('first'))

或者更清晰的分步写法：

# 单独处理非'A'的列，再合并回'A'列
non_a_cols = df.columns.drop('A')
filled_cols = df[non_a_cols].groupby(df['A']).transform('first')
result = pd.concat([df['A'], filled_cols], axis=1)

这两种写法和方法1的效果完全一致，而且不需要额外的合并步骤，代码更紧凑。

为什么之前的fillna/apply没生效？ #

你之前尝试的fillna+groupby可能没找对方向——如果直接用df.groupby('A').ffill()，它是按组向前填充（用前面行的有效值填后面的NaN），但如果分组里前面是NaN、后面有值，前面的行就不会被填充。而我们的方法是不管行的位置，直接用分组内第一个出现的有效值覆盖整个组的对应列，完全符合你要的“每个唯一'A'对应首个有效值”的需求。

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