如何基于Pandas DataFrame的另一列值填充NaN？

这里有两种简洁高效的方法可以实现你的需求，我来一步步给你说明：

方法一：按A列分组后填充对应值 #

这种方法适合你的场景——每组的非空值都是固定值，利用groupby分组后统一填充：

import pandas as pd
import numpy as np

# 构造原始DataFrame
df = pd.DataFrame({'A': ['a', 'a', 'a', 'b', 'b'],
                   'B': [15, 15, np.nan, 19, np.nan]})

# 分组填充逻辑
df['B'] = df.groupby('A')['B'].transform(lambda x: x.fillna(x.dropna().iloc[0]))

print(df)

代码说明： #

• groupby('A')['B']：按A列的不同取值（a和b）对B列进行分组
• transform：确保分组处理后的结果能和原DataFrame的索引完全对齐，不会打乱原有数据顺序
• x.fillna(x.dropna().iloc[0])：对每组的B列，用该组第一个非空值填充NaN（因为你的每组非空值都是相同的，取第一个、均值或者最大值都能得到正确结果）

方法二：用映射字典直接填充 #

如果A列对应的填充值是提前明确的，直接创建映射字典会更直观：

import pandas as pd
import numpy as np

# 构造原始DataFrame
df = pd.DataFrame({'A': ['a', 'a', 'a', 'b', 'b'],
                   'B': [15, 15, np.nan, 19, np.nan]})

# 定义A列值到填充值的映射关系
fill_map = {'a': 15, 'b': 19}

# 执行填充
df['B'] = df['B'].fillna(df['A'].map(fill_map))

print(df)

代码说明： #

• df['A'].map(fill_map)：根据A列的每个值，从字典中取出对应的填充值，生成一个和原DataFrame长度一致的Series
• fillna：将B列中的NaN，替换成对应位置的填充值

两种方法运行后都会得到你期望的结果：

A   B
0  a  15
1  a  15
2  a  15
3  b  19
4  b  19

内容的提问来源于stack exchange，提问作者連哲瑋