如何用Pandas从其他行匹配值替换DataFrame中的缺失值？

嘿，这个需求在数据清洗里太常见了，我给你几个针对性的方案，你可以根据自己的实际场景来选：

1. 基于关联列的分组填充（最常用场景） #

如果你的两列是有对应关系的（比如一列是id，另一列是theme，同一个id对应的theme应该一致），那可以按关联列分组，用组内的非空值填充NaN：

# 假设你的DataFrame包含['id', 'theme']两列
# 按id分组，用组内的众数填充（若组内只有一个非空值，直接用该值）
themes['theme'] = themes.groupby('id')['theme'].transform(lambda x: x.fillna(x.mode()[0]))

要是能确定每个分组里只有唯一的非空值，也可以用x.first()或x.last()替代x.mode()[0]，效率会更高。

2. 同列前后向填充（适合有序数据） #

如果你的数据是按顺序排列的（比如时间序列、有序记录），可以用相邻行的非空值填充：

# 前向填充：用上一行的非空值填充当前NaN
themes['theme'] = themes['theme'].ffill()

# 后向填充：用下一行的非空值填充当前NaN
themes['theme'] = themes['theme'].bfill()

# 组合使用：先前向再后向，确保所有NaN都被覆盖
themes['theme'] = themes['theme'].ffill().bfill()

3. 全局通用值填充（无关联分组时） #

如果没有可关联的分组列，就用整列最常见的值（众数）填充NaN：

# 获取theme列的众数
theme_most_common = themes['theme'].mode()[0]
# 填充NaN
themes['theme'] = themes['theme'].fillna(theme_most_common)

4. 列间互补填充（两列互为备份） #

如果你的两列是互补的（比如列A的NaN用列B的值填，列B的NaN用列A的值填），可以这么操作：

# 用col2的值填充col1的NaN，再反向填充
themes['col1'] = themes['col1'].fillna(themes['col2'])
themes['col2'] = themes['col2'].fillna(themes['col1'])

# 或者一行搞定整行填充（前提是每行至少有一个非空值）
themes = themes.fillna(method='bfill', axis=1).fillna(method='ffill', axis=1)

内容的提问来源于stack exchange，提问作者Muzaffer