
本文介绍在 Pandas 中高效地使用单个 Series 按行索引(axis=0)批量填充 DataFrame 多个列中的 NaN 值,推荐使用 df.where() 或 df.mask() 方法,兼顾简洁性、可读性与类型安全性。
本文介绍在 pandas 中高效地使用单个 series 按行索引(axis=0)批量填充 dataframe 多个列中的 nan 值,推荐使用 `df.where()` 或 `df.mask()` 方法,兼顾简洁性、可读性与类型安全性。
在 Pandas 数据处理中,常需用一组对齐索引的值统一填补多列缺失项。例如,给定一个含缺失值的 DataFrame 和一个同索引的 Series,目标是将所有 NaN 位置按行索引匹配替换为 Series 对应值——而非逐列调用 fillna(),以提升代码简洁性与执行效率。
最推荐、最 Pythonic 的方法是使用 DataFrame.where() 配合布尔掩码:
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])
# ✅ 推荐:语义清晰、通用性强、支持任意数据类型
df_filled = df_1.where(df_1.notna(), series_1, axis=0)
print(df_filled)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
where(cond, other, axis=0) 的含义是:“保留满足 cond(即非空)的位置,其余位置用 other(此处为 series_1)填充”,axis=0 确保 Series 沿行方向广播对齐索引。等价地,也可使用 mask()(逻辑取反):
df_filled = df_1.mask(df_1.isna(), series_1, axis=0) # 效果完全相同
⚠️ 注意事项:
-
fillna()原生不支持直接传入 Series 填充多列(df.fillna(series)会尝试按列名对齐,而非索引),因此不能直接写作df_1.fillna(series_1); - 虽有变通方案如
df_1.fillna(0).add(series_1, axis=0).where(df_1.notna(), df_1),但仅适用于数值型数据,且逻辑冗余、易出错,不推荐用于生产环境; -
where/mask方案完全保持原始数据类型(如int列遇 NaN 会自动转为float,符合 Pandas 类型规则),且天然支持字符串、时间戳等任意 dtype; - 若
series_1索引与df_1.index不完全重合,Pandas 会自动按交集对齐,缺失索引位置仍保留原 NaN,行为安全可控。
总结:面对“单 Series → 多列 → 按索引填充 NaN”的典型需求,请优先选用 df.where(df.notna(), series, axis=0) —— 它语义明确、性能良好、类型安全,是 Pandas 官方推荐的惯用模式。

















