Python 更新现有数据帧列

我有一个数据框，它的结构如下

code      value
1          red
2          blue 
3          yellow
1
4          
4          pink
2          blue

---

基本上，我想更新值列，以便空白行填充其他行的值。所以我知道代码4引用了值pink，我希望它在不存在该值的所有行中都被更新

您可以创建一系列代码-值对，并使用它们映射：

为了查看正在发生的情况，您将以下系列传递给map：

所以它说：在你找到1的地方，给值红色，在你找到2的地方，给值蓝色…

使用groupby和ffill以及bfill

您可以对\u值、ffill进行排序，然后对\u索引进行排序。如果顺序不重要，可能不需要最后一步。如果是这样的话，那么双重分类可能会非常昂贵

df = df.sort_values(['code', 'value']).ffill().sort_index()

print(df)

   code   value
0     1     red
1     2    blue
2     3  yellow
3     1     red
4     4    pink
5     4    pink
6     2    blue

您可以使用给定代码组的第一个值

发还

In [380]: df.assign(value=df.groupby('code')['value'].transform('first'))
Out[380]:
   code   value
0     1     red
1     2    blue
2     3  yellow
3     1     red
4     4    pink
5     4    pink
6     2    blue

或

使用reindex

---

df.dropna.set_index'code'['value']的可能重复也可以。df.dropna.set_index'code'['value']。删除重复项，因为在传递到时仍然必须确保没有重复的索引map@sacul您可以使用to_dict删除重复项并使用字典进行映射。我仍然得到其中一个代码-值对的2行，其中一个值为空，另一个值为正确值。有没有办法检查该字段是否有空字段？这是在my_Map中，您可以尝试从df.replace{:pd.np.nan'，：pd.np.nan}，inplace=True开始，从startOne事件中删除这些案例。。df.groupby'code'.value.applylambda x:x.ffill.bfillNvm忽略最后一条评论，我想你可能是对的，我需要测试一下。这是可行的，但有一个问题。代码4的第一个值为null，因此结果中代码为4的行的所有值列都更新为null。

df.groupby('code').value.ffill().bfill()

0       red
1      blue
2    yellow
3       red
4      pink
5      pink
6      blue
Name: value, dtype: object

df = df.sort_values(['code', 'value']).ffill().sort_index()

print(df)

   code   value
0     1     red
1     2    blue
2     3  yellow
3     1     red
4     4    pink
5     4    pink
6     2    blue

In [379]: df.groupby('code')['value'].transform('first')
Out[379]:
0       red
1      blue
2    yellow
3       red
4      pink
5      pink
6      blue
Name: value, dtype: object

In [380]: df.assign(value=df.groupby('code')['value'].transform('first'))
Out[380]:
   code   value
0     1     red
1     2    blue
2     3  yellow
3     1     red
4     4    pink
5     4    pink
6     2    blue

df['value'] = df.groupby('code')['value'].transform('first')

df.dropna().drop_duplicates('code').set_index('code').reindex(df.code).reset_index()
Out[410]: 
   code   value
0     1     red
1     2    blue
2     3  yellow
3     1     red
4     4    pink
5     4    pink
6     2    blue