如何用0.1增量填充Pandas DataFrame中的缺失值？

我明白你的需求啦——就是要把DataFrame里的NaN值，以前一个非缺失值为起点，每次递增0.1来填充对吧？你提到用np.arange是个不错的思路，不过我们可以结合Pandas的分组功能来把这个逻辑落地，具体操作看下面：

第一步：先构造你的示例数据 #

首先我们先把你给出的DataFrame创建出来，方便后续测试：

import pandas as pd
import numpy as np

# 构造目标DataFrame
df = pd.DataFrame(
    {'A': [1, np.nan, 2, np.nan, np.nan, 3, 4, np.nan, 5, np.nan]},
    index=[0, 1, 2, 3, 4, 5, 6, 8, 9, 10]
)

第二步：核心填充逻辑 #

我们的思路是把每个非缺失值+后续连续的NaN划分为一个分组，然后给每组内的行标记“偏移序号”，最后用基准值（前一个非缺失值）加上偏移序号*0.1得到填充值：

# 1. 创建分组标识：每个非缺失值及其后续NaN为同一组
groups = df['A'].notna().cumsum()
# 2. 计算每组内的行偏移量（从0开始计数）
offsets = df.groupby(groups).cumcount()
# 3. 计算填充后的值：基准值（前向填充的非缺失值） + 偏移量*0.1
df['A'] = df['A'].ffill() + offsets * 0.1

如果你想更简洁，也可以把这几步写成链式操作，不用单独保存中间变量：

df['A'] = df['A'].ffill() + df.groupby(df['A'].notna().cumsum()).cumcount() * 0.1

看看结果 #

现在打印df['A']就能得到你想要的效果：

0     1.0
1     1.1
2     2.0
3     2.1
4     2.2
5     3.0
6     4.0
8     4.1
9     5.0
10    5.1
Name: A, dtype: float64

原理简单解释 #

• df['A'].notna().cumsum()：非缺失值的位置会返回True（即1），累加后会给每个连续的“非缺失值+NaN块”分配唯一的组号，比如第一个非缺失值1和后面的NaN是组1，第二个非缺失值2和后面两个NaN是组2，以此类推。
• groupby(groups).cumcount()：给每个组内的行从0开始计数，非缺失值本身的偏移量是0，所以加0后还是原值；后面的NaN依次是1、2...乘以0.1就正好是你要的增量。

内容的提问来源于stack exchange，提问作者Andrew