利用参考DataFrame填充主DataFrame中Trade列的NaN值

首先，我先理清楚你的需求：你有两个DataFrame，其中主DataFrame的Trade ID列存在3个NaN值，需要借助参考DataFrame来填充这些缺失值。下面我会给出几种简便可行的方法，你可以根据自己的参考DataFrame结构来选择。

方法1：利用映射字典填充（适合参考DF是对应关系表的情况） #

假设你的参考DataFrame（我们叫它ref_df）包含Toy_company和对应的Trade ID的映射关系，步骤如下：

1. 先从参考DF中创建Toy_company到Trade ID的映射字典：

# 如果参考DF中每个Toy_company对应唯一Trade ID
trade_mapping = ref_df.set_index('Toy_company')['Trade ID'].to_dict()

# 如果同一个Toy_company有多个Trade ID，取出现频率最高的那个
# 也可以从主DF的非NaN行中统计生成映射：
trade_mapping = main_df.dropna(subset=['Trade ID']).groupby('Toy_company')['Trade ID'].agg(lambda x: x.mode()[0]).to_dict()

2. 用这个映射字典填充主DF中的NaN值：

main_df['Trade ID'] = main_df['Trade ID'].fillna(main_df['Toy_company'].map(trade_mapping))

方法2：用merge合并填充（适合参考DF包含完整对应关系） #

如果参考DF包含所有Toy_company对应的Trade ID，我们可以用左连接来填充：

# 先确保参考DF中没有重复的Toy_company行（如果有，先去重）
ref_df_clean = ref_df.drop_duplicates(subset=['Toy_company'], keep='first')

# 左连接主DF和参考DF
merged_df = main_df.merge(ref_df_clean, on='Toy_company', how='left', suffixes=('', '_ref'))

# 填充NaN值
main_df['Trade ID'] = main_df['Trade ID'].fillna(merged_df['Trade ID_ref'])

方法3：用replace直接替换（适合已知具体NaN对应的Trade ID） #

如果你已经明确知道每个NaN对应的Toy_company应该替换成什么Trade ID，可以直接用replace：

# 比如，195 Lego对应的Trade ID是L195/AE，256 Duplo对应的是XXX/YYY
replace_dict = {
    '195 Lego': 'L195/AE',
    '256 Duplo': 'XXX/YYY'
}

# 定位NaN行并根据Toy_company替换
main_df.loc[main_df['Trade ID'].isna(), 'Trade ID'] = main_df.loc[main_df['Trade ID'].isna(), 'Toy_company'].map(replace_dict)

注意点 #

• 如果你的Toy_company列其实是两个字段（比如代码和公司名，像192 Duplo），建议先拆分列，这样映射会更准确，避免因为字符串不一致导致填充失败。
• 如果参考DF中存在多个Trade ID对应同一个Toy_company，你需要确定填充规则（比如取第一个、最后一个或者最频繁的）。

内容的提问来源于stack exchange，提问作者S.Gu