Pandas批量替换：将所有列的-9值替换为对应行df['a']的值

我明白你遇到的坑了——直接用replace或者简单转NaN再填充确实达不到预期，因为这些方法的广播逻辑默认不是按行匹配的。下面给你几个高效的解决方案，尤其适合你1000列的大数据场景：

方法1：用where矢量化替换（推荐，最快最简洁） #

where方法的逻辑是：保留满足条件的值，不满足的替换为指定值。这里我们只需要指定：当单元格不等于-9时保留原值，否则用对应行的a列值。Pandas会自动按行广播匹配，完美适配你的需求。

import pandas as pd
import numpy as np

# 你的示例DataFrame
df = pd.DataFrame({'a': [1, 2, 3, 4, 5], 'b': [6, -9, 8, np.nan, -9], 'c': [-9, 19, -9, -9, -9]})

# 执行替换，axis=0确保按行匹配
df = df.where(df != -9, df['a'], axis=0)

执行后你会得到期望的结果：

a    b     c
0  1  6.0   1.0
1  2  2.0  19.0
2  3  8.0   3.0
3  4  NaN   4.0
4  5  5.0   5.0

注：原数据中的np.nan会被保留，因为我们只替换-9，符合你的需求。

方法2：修正你之前的「转NaN再填充」思路 #

你的思路是对的，但没搞对fillna的参数。默认fillna是按列填充，我们需要把a列转成列向量，让Pandas能按行匹配填充：

# 先把所有-9替换为NaN
df.replace(-9, np.nan, inplace=True)
# 把a列转成5行1列的数组，实现按行填充
df = df.fillna(df['a'].to_numpy()[:, None])

这种方法和方法1效率差不多，适合习惯用填充逻辑的同学。

方法3：逐行处理（适合复杂逻辑，大数据量慎用） #

如果需要更灵活的自定义处理，可以用apply逐行操作，但对于1000列的大表，前两种矢量化方法的效率会高很多：

df = df.apply(lambda row: row.replace(-9, row['a']), axis=1)

为什么你之前的方法失败？ #

• 用df.replace(-9, df['a'], inplace=True)时，replace会把整个df['a'] Series当作一个整体替换值，而不是按行匹配每个-9，所以逻辑完全错误。
• 转NaN后直接用df.fillna(df['a'])，默认是按索引匹配填充，而不是按行广播，导致无法正确对应到每行的a值。

内容的提问来源于stack exchange，提问作者ma8