一维数组的np.where替代方案：填充NaN遇结果异常问题

这个问题我之前也碰到过！核心原因是你用的zip()函数会以最短的输入序列长度来终止迭代——你的replace只有2个元素，而sample和np.isnan(sample)都有7个元素，所以zip只生成了2组元素，导致最终的new_sample只得到前2个值。

下面给你两种靠谱的解决方案：

方法一：用Numpy布尔索引直接填充（推荐） #

把sample转成Numpy数组后，可以直接通过布尔索引定位所有NaN的位置，然后一次性替换，代码简洁又高效：

import numpy as np

sample = np.array([1, 2, np.nan, 4, 5, 6, np.nan])
replace = np.array([3, 7])

# 找到所有NaN的位置
nan_positions = np.isnan(sample)
# 把replace的值对应填充到NaN位置
sample[nan_positions] = replace

print(sample.tolist())  # 输出: [1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0]

这种方式不需要手动遍历，Numpy会自动处理位置匹配，尤其适合数据量较大的场景。

方法二：用迭代器实现纯列表推导式 #

如果不想转Numpy数组，可以把replace转换成迭代器，遍历sample时遇到NaN就取迭代器的下一个值：

import numpy as np

sample = [1, 2, np.nan, 4, 5, 6, np.nan]
replace_iter = iter([3, 7])

new_sample = [next(replace_iter) if np.isnan(x) else x for x in sample]
print(new_sample)  # 输出: [1, 2, 3, 4, 5, 6, 7]

这里iter()把replace变成一个可逐个取值的迭代器，next()每次调用都会取出下一个元素，完美匹配所有NaN的位置，不会出现截断问题。

内容的提问来源于stack exchange，提问作者An economist