基于两列条件对多列Non-NA值执行向前填充的实现方法

当然有可行的方案啦！结合Python的pandas库就能轻松实现这个需求，我给你一步步拆解说明：

核心思路 #

我们需要按Name列分组，在每个分组内：

• 筛选出Flag标记为C或A的行
• 仅对这些行的指定列（非NA值）执行向前填充（ffill）
• 其他标记行的数值保持原样

代码实现（附示例数据） #

首先构造一个模拟数据集，方便你理解效果：

import pandas as pd
import numpy as np

# 构造示例数据
df = pd.DataFrame({
    'Name': ['Alice', 'Alice', 'Alice', 'Bob', 'Bob', 'Bob', 'Bob'],
    'Flag': ['A', 'B', 'C', 'C', 'B', 'A', 'B'],
    'Col1': [1, np.nan, np.nan, 5, np.nan, np.nan, np.nan],
    'Col2': [np.nan, 2, np.nan, np.nan, 6, np.nan, np.nan],
    'Col3': [3, np.nan, np.nan, 7, np.nan, np.nan, 8]
})

方法一：自定义分组函数（直观易懂） #

通过groupby结合自定义函数，精准控制填充范围：

def fill_target_rows(group):
    # 指定需要执行填充的列
    fill_columns = ['Col1', 'Col2', 'Col3']
    # 生成掩码：筛选Flag为A或C的行
    target_mask = group['Flag'].isin(['A', 'C'])
    # 仅对掩码选中的行执行向前填充，赋值回原分组
    group.loc[target_mask, fill_columns] = group.loc[target_mask, fill_columns].ffill()
    return group

# 按Name分组应用函数，group_keys=False避免额外生成分组索引
result_df = df.groupby('Name', group_keys=False).apply(fill_target_rows)

方法二：transform结合combine_first（更简洁） #

利用transform批量处理分组，再合并原数据保留非目标行的值：

fill_columns = ['Col1', 'Col2', 'Col3']
result_df = df.copy()

# 对每个分组的目标列，先将非A/C行设为NaN，再执行ffill，最后合并原数据
result_df[fill_columns] = df.groupby('Name')[fill_columns].transform(
    lambda x: x.where(df['Flag'].isin(['A', 'C']), np.nan).ffill()
).combine_first(df[fill_columns])

效果验证 #

运行代码后，你会看到：

• Alice组中，Flag=C的行继承了Flag=A行的Col1=1和Col3=3，而Flag=B行的数值保持不变
• Bob组中，Flag=A的行继承了Flag=C行的Col1=5和Col3=7，Flag=B行的NaN依然保留

这样就完美实现了你要的「仅在分组内针对特定标记行执行向前填充」的需求！

内容的提问来源于stack exchange，提问作者Peter