
本文介绍在 Pandas 中高效地使用一个 Series(按索引对齐)批量填充 DataFrame 多个列中 NaN 值的三种 Pythonic 方法,包括 where/mask 推荐方案及 fillna 的间接技巧,并强调适用条件与注意事项。
本文介绍在 pandas 中高效地使用一个 series(按索引对齐)批量填充 dataframe 多个列中 nan 值的三种 pythonic 方法,包括 `where`/`mask` 推荐方案及 `fillna` 的间接技巧,并强调适用条件与注意事项。
在 Pandas 数据处理中,常需用一个与 DataFrame 行索引对齐的 Series 去统一填充多个列中的缺失值(NaN)。直接调用 df.fillna(series) 默认按列广播(即把 Series 当作一列来匹配),无法实现“每行用对应索引的 Series 值填充该行所有 NaN”,因此原代码 df_1.fillna(series_1) 并不能达到预期效果。
✅ 推荐方案:DataFrame.where()(最清晰、通用、安全)where 保留满足条件的值,否则用替代值填充。结合 df.notna() 可精准实现“保留非空值,NaN 处填入 Series 对应索引的值”:
import numpy as np
import pandas as pd
df_1 = pd.DataFrame(
index=[0, 1, 2],
columns=['a', 'b', 'c'],
data=[[1, np.nan, np.nan], [2, np.nan, 4], [np.nan, 2, -3]]
)
series_1 = pd.Series([6, 5, 4], index=[0, 1, 2])
df_2 = df_1.where(df_1.notna(), series_1, axis=0)
print(df_2)
输出:
a b c 0 1.0 6.0 6.0 1 2.0 5.0 4.0 2 4.0 2.0 -3.0
⚠️ 关键参数 axis=0 表示沿行方向广播 Series(即按索引对齐),这是实现目标的核心。
✅ 等效方案:DataFrame.mask()(语义更贴近“填充缺失”)mask 是 where 的逻辑反操作:对满足条件的位置进行替换。配合 isna() 更直观表达“在 NaN 处填入”:
df_2 = df_1.mask(df_1.isna(), series_1, axis=0)
效果完全一致,且语义上更贴近“掩码缺失值并替换”,适合强调填充意图的场景。
⚠️ 技巧方案(仅限数值型):fillna + add 组合(不推荐用于生产)
该方法利用 fillna(0) 先补零,再与 Series 相加,使 NaN 位置变为 0 + series_value:
df_2 = df_1.fillna(df_1.fillna(0).add(series_1, axis=0))
虽然能得出相同结果,但存在严重缺陷:
- ❌ 仅适用于纯数值列(含字符串或对象类型会报错或行为异常);
- ❌ 引入冗余计算(两次 fillna + 加法),可读性差;
- ❌ 若原始数据含负数或零,逻辑易混淆,维护成本高。
? 总结与建议
- ✅ 首选
df.where(..., series, axis=0):语义明确、类型安全、支持任意数据类型,且性能良好; - ✅
df.mask(..., series, axis=0)是优秀替代,尤其当逻辑侧重“覆盖缺失”时; - ⚠️ 避免
fillna的间接技巧,除非明确限定数值场景且已充分测试; - ? 注意 Series 索引必须与 DataFrame 行索引对齐(缺失索引位置将填
NaN,多余索引被忽略); - ? 扩展提示:若需按列分别指定不同 Series,可传入字典
{'a': s1, 'b': s2},同样支持axis=0。










