如何用Pandas合并DataFrame中同索引的多行数据？

嘿，刚接触Pandas的话遇到这种同索引行合并补全的需求太正常了，我之前也碰到过类似场景～用Pandas内置的方法就能优雅解决，完全不用写冗余易坏的循环或判断代码，完美适配2行、3行甚至更多同索引行的合并场景。

步骤1：合并同索引行，补全缺失值 #

核心思路是按索引分组，然后对每个分组内的字段，保留第一个（或唯一的）非NaN值。这里有两种常用方案：

方案一：通用型（适配所有数据类型）

如果你的DataFrame里有数值、字符串等混合类型，用自定义聚合函数更稳妥，它会为每个字段提取第一个非缺失值：

import pandas as pd
import numpy as np

# 假设你的原始DataFrame名为df
merged_df = df.groupby(df.index).agg(
    lambda x: x.dropna().iloc[0] if not x.dropna().empty else np.nan
)

方案二：高效型（仅数值型字段）

因为你的字段（Glucose、Insulin、Carbs）都是数值类型，用max()或min()会更高效——Pandas的聚合函数会自动忽略NaN，返回分组内的非缺失值（如果存在的话）：

merged_df = df.groupby(df.index).max()

步骤2：删除仍含NaN的行 #

合并完成后，用dropna()一键清理掉还有缺失值的行：

cleaned_df = merged_df.dropna()

合并成一行的极简写法 #

如果想一步到位，可以把两个操作链式调用：

cleaned_df = df.groupby(df.index).max().dropna()

为什么这是Pythonic的？ #

• 完全依赖Pandas内置的向量化操作，比手动循环快得多，尤其是处理大数据集时
• 代码简洁易读，逻辑清晰，不需要维护复杂的条件判断
• 自动适配任意数量的同索引行（2行、3行都没问题）

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