如何用Pandas批量替换多列缺失值为N/A？解决单列替换代码语法错误

我来帮你搞定这两个数据处理需求，顺便纠正你写lambda表达式时踩的语法坑~

一、批量将多列缺失值替换为'N/A' #

如果要一次性处理DataFrame中的多列缺失值（也就是NaN），用Pandas的fillna()方法最省心：

处理指定列 #

假设你要替换col1、col2、col3这三列的缺失值：

# 直接对目标列赋值，替换缺失值为'N/A'
df2[['col1', 'col2', 'col3']] = df2[['col1', 'col2', 'col3']].fillna('N/A')

处理所有列 #

如果要把整个DataFrame的所有缺失值都替换成'N/A'，更简单：

df2 = df2.fillna('N/A')

二、将某列的缺失值或空白字符替换为'N/A' #

你之前的lambda表达式报错，核心原因是Python的三元表达式必须同时包含if和else分支，不能只写if部分——哪怕你想保留原数据，也得明确写出else x。

另外还要注意：判断缺失值不能用x == NaN（因为NaN不等于任何值，包括它自己），得用pd.isna(x)；而空白字符要考虑单个空格、多个空格、空字符串的情况，用str.strip()处理更稳妥。

下面给你两种可行的写法：

方法1：补全lambda的else分支 #

import pandas as pd

df2['test_edited'] = df2['test'].map(
    lambda x: 'N/A' if pd.isna(x) or str(x).strip() == '' else x
)

这个逻辑是：如果值是缺失值，或者转成字符串后去掉首尾空格为空，就替换成'N/A'，否则保留原数据。

方法2：用replace()更简洁高效 #

Pandas的replace()方法可以一次性处理多种匹配情况，甚至支持正则表达式覆盖更多空白场景：

# 处理缺失值、空字符串、单个空格
df2['test_edited'] = df2['test'].replace({pd.NA: 'N/A', '': 'N/A', ' ': 'N/A'})

# 如果要覆盖多个空格的情况，用正则匹配所有空白内容
df2['test_edited'] = df2['test'].replace(pd.NA, 'N/A').replace(r'^\s*$', 'N/A', regex=True)

这里r'^\s*$'是正则表达式，能匹配所有由0个或多个空白字符（空格、制表符等）组成的内容，覆盖更全面。

为什么你的lambda代码报错？ #

你之前写的：

df2['test_edited'] = df2['test'].map(lambda x: 'N/A' if x.empty() )
# 或者
df2['test_edited'] = df2['test'].map(lambda x: 'N/A' if x == ' ' )

这两段代码都违反了Python三元表达式的语法规则——三元表达式必须是value_if_true if condition else value_if_false的结构，缺少else部分就会抛出SyntaxError。哪怕你想返回原数据，也得补上else x才行。

内容的提问来源于stack exchange，提问作者singularity2047