假设我有一些带有一些NaNs的DataFrame：
>>> import pandas as pd
>>> df = pd.DataFrame([[1, 2, 3], [4, None, None], [None, None, 9]])
>>> df
0 1 2
0 1 2 3
1 4 NaN NaN
2 NaN NaN 9
我需要做的是将每个NaN替换为其上方同一列中的第一个非NaN值。假设第一行永远不会包含NaN。因此，对于前面的示例，结果将是
0 1 2
0 1 2 3
1 4 2 3
2 4 2 9
我可以逐个循环遍历整个DataFrame，逐个元素并直接设置值，但是有一种简单（最佳无循环）的方法来实现这一点吗？
您可以在DataFrame上使用fillna方法，并将方法指定为ffill（向前填充）：
>>> df = pd.DataFrame([[1, 2, 3], [4, None, None], [None, None, 9]])
>>> df.fillna(method='ffill')
0 1 2
0 1 2 3
1 4 2 3
2 4 2 9
这个方法......
将最后有效观察值传播到下一个有效值
换句话说，还有一种bfill方法。
此方法不会修改DataFrame - 您需要将返回的DataFrame重新绑定到变量，或者指定inplace=True：
df.fillna(method='ffill', inplace=True)
接受的答案是完美的。我有一个相关但略有不同的情况，我必须填写前进，但只在组内。如果有人有相同的需求，请知道fillna适用于DataFrameGroupBy对象。
>>> example = pd.DataFrame({'number':[0,1,2,nan,4,nan,6,7,8,9],'name':list('aaabbbcccc')})
>>> example
name number
0 a 0.0
1 a 1.0
2 a 2.0
3 b NaN
4 b 4.0
5 b NaN
6 c 6.0
7 c 7.0
8 c 8.0
9 c 9.0
>>> example.groupby('name')['number'].fillna(method='ffill') # fill in row 5 but not row 3
0 0.0
1 1.0
2 2.0
3 NaN
4 4.0
5 4.0
6 6.0
7 7.0
8 8.0
9 9.0
Name: number, dtype: float64
你可以使用pandas.DataFrame.fillna和method='ffill'选项。 'ffill'代表“向前填充”，并将向前宣传最后一次有效观察。另一种选择是'bfill'，其工作方式相同，但向后。
import pandas as pd
df = pd.DataFrame([[1, 2, 3], [4, None, None], [None, None, 9]])
df = df.fillna(method='ffill')
print(df)
# 0 1 2
#0 1 2 3
#1 4 2 3
#2 4 2 9
还有一个直接的同义词函数，pandas.DataFrame.ffill，使事情更简单。
我在尝试这个解决方案时注意到的一件事是，如果你在数组的开头或结尾有N / A，那么ffill和bfill就不行了。你需要两者。
In [224]: df = pd.DataFrame([None, 1, 2, 3, None, 4, 5, 6, None])
In [225]: df.ffill()
Out[225]:
0
0 NaN
1 1.0
...
7 6.0
8 6.0
In [226]: df.bfill()
Out[226]:
0
0 1.0
1 1.0
...
7 6.0
8 NaN
In [227]: df.bfill().ffill()
Out[227]:
0
0 1.0
1 1.0
...
7 6.0
8 6.0
只是同意ffill方法，但一个额外的信息是你可以用关键字参数limit限制前向填充。
>>> import pandas as pd
>>> df = pd.DataFrame([[1, 2, 3], [None, None, 6], [None, None, 9]])
>>> df
0 1 2
0 1.0 2.0 3.0
1 NaN NaN 6.0
2 NaN NaN 9.0
>>> df[1].fillna(method='ffill', inplace=True)
>>> df
0 1 2
0 1.0 2.0 3.0
1 NaN 2.0 NaN
2 NaN 2.0 9.0
现在用limit关键字参数
>>> df[0].fillna(method='ffill', limit=1, inplace=True)
>>> df
0 1 2
0 1.0 2.0 3
1 1.0 2.0 6
2 NaN 2.0 9
ffill现在有自己的方法pd.DataFrame.ffill
df.ffill()
0 1 2
0 1.0 2.0 3.0
1 4.0 2.0 3.0
2 4.0 2.0 9.0
只有一个列版本
df[column_name].fillna(method='ffill', inplace=True)
df[column_name].fillna(method='backfill', inplace=True)
就我而言，我们有来自不同设备的时间序列，但有些设备在某段时间内无法发送任何值。因此，我们应该为每个设备和时间段创建NA值，之后再填充。
df = pd.DataFrame([["device1", 1, 'first val of device1'], ["device2", 2, 'first val of device2'], ["device3", 3, 'first val of device3']])
df.pivot(index=1, columns=0, values=2).fillna(method='ffill').unstack().reset_index(name='value')
结果：
0 1 value
0 device1 1 first val of device1
1 device1 2 first val of device1
2 device1 3 first val of device1
3 device2 1 None
4 device2 2 first val of device2
5 device2 3 first val of device2
6 device3 1 None
7 device3 2 None
8 device3 3 first val of device3