应使用loc+range生成新ID填充缺失值，因fillna不支持range；需计算缺失数、确定起始ID（max()+1或默认1），再用list(range())或np.arange赋值，并注意dtype兼容性。
用 fillna() + range() 填充缺失ID最直接
当原始ID列（比如 'id'）含 NaN，又想补成连续整数时，别用 ffill() 或 bfill()——它们复用已有值，不生成新ID。正确做法是先定位缺失位置，再用递增序列填充。
实操建议：
- 先用
df['id'].isna()得到布尔索引 - 计算待填数量：
missing_count = df['id'].isna().sum() - 生成起始值需注意：若已有ID最大为 100，新ID应从
101开始，避免重复（可用df['id'].max()获取，但要处理全空情况） - 推荐写法：
start_id = df['id'].max() + 1 if not df['id'].isna().all() else 1 new_ids = range(start_id, start_id + missing_count) df.loc[df['id'].isna(), 'id'] = list(new_ids)
为什么不用 df['id'].fillna() 直接传 range？
fillna() 不接受可迭代对象（如 range），传进去会报 TypeError: "value" parameter must be a scalar, dict, or Series。它只支持标量（如 0）、同长度的 Series，或按列名映射的 dict。
常见错误写法：
df['id'].fillna(range(100, 200)) # ❌ 报错
立即学习“Python免费学习笔记（深入）”；
绕过方法：把 range 转成 list 后赋值给切片，如上一节所示；或构造一个临时 Series，索引对齐缺失行：
mask = df['id'].isna() fill_series = pd.Series(range(start_id, start_id + mask.sum()), index=df[mask].index) df.loc[mask, 'id'] = fill_series
如果要求“全局唯一”且后续还追加数据，得预留增长空间
单纯用 max() + 1 在单次处理中安全，但若该DataFrame后续还会 concat 新数据、或作为中间表反复读写，可能撞ID。此时应放弃依赖历史最大值，改用更鲁棒的方式：
- 用
pd.util.hash_pandas_object(df, index=True)生成行级哈希再截取，但不保证自增 - 更实用的是引入外部计数器：启动时读取当前最大ID（如从数据库或文件），填完后更新该值
- 若只是临时分析用途，直接用
df.reset_index(drop=True).index + 1生成全新ID列（但会丢弃原ID语义）
性能敏感时避免 loc + list 组合
当缺失行数超百万，list(range(...)) 会一次性分配大内存。可改用 numpy.arange 配合 .values 提升效率：
import numpy as np new_ids = np.arange(start_id, start_id + missing_count) df.loc[df['id'].isna(), 'id'] = new_ids
注意：df.loc[...] 赋值时，右边如果是 np.ndarray，Pandas 自动对齐；但若 df['id'] 是 Int64（nullable int）类型，需确保 new_ids 是整型而非浮点，否则会转成 float64 并引入 nan。
真正容易被忽略的是 dtype 兼容性——填完后检查 df['id'].dtype，必要时显式转回 "Int64"：
df['id'] = df['id'].astype("Int64") 
