本文介绍如何在 pandas 中高效地将某列（如 `value`）中的缺失值（`none` 或 `nan`）替换为另一列（如 `parent`）所指向的、存在于同 dataframe 中其他行 `key` 列匹配项对应的 `value` 值。核心方法是构建键值映射并结合 `fillna()` 与 `map()` 实现链式回填。
在数据处理中，常遇到层级或引用关系结构——例如某行的 Parent 字段指向另一行的 Key，而我们需要将当前行缺失的 Value “继承”自其父行的 Value。这种操作本质是基于键的查找填充，而非简单前向/后向填充。
以下是推荐的简洁、高效实现方式：
import pandas as pd
# 构造示例数据（注意：Value 列含 None，需保持为 Python None 或 np.nan 才能被 fillna 识别）
data = [['Key1', 'Key10', 246], ['Key2', 'Key1', None], ['Key3', 'Key14', 434]]
df = pd.DataFrame(data, columns=['Key', 'Parent', 'Value'])
# 步骤 1：构建 Key → Value 的映射字典（仅取非空 Value 行更健壮）
valid_map = df.dropna(subset=['Value']).set_index('Key')['Value'].to_dict()
# 步骤 2：对 Parent 列做映射，再用 fillna 填充原 Value 列中的缺失值
df['Value'] = df['Value'].fillna(df['Parent'].map(valid_map))✅ 输出结果：
Key Parent Value 0 Key1 Key10 246.0 1 Key2 Key1 246.0 2 Key3 Key14 434.0
⚠️ 注意事项：df[['Key', 'Value']].values 直接转 dict() 在存在重复 Key 时会静默覆盖（取最后出现值），强烈建议使用 set_index().to_dict() 并配合 dropna() 确保映射可靠性；若 Value 列含字符串 'None' 或 'NaN'（而非真正缺失值），需先清洗：df['Value'] = pd.to_numeric(df['Value'], errors='coerce')；该方法不支持多级递归填充（如 Key2 → Key1 → Key10）。若需深度继承，应改用图遍历或迭代 apply + 自定义查找函数；性能友好：map() 底层基于哈希查找，时间复杂度接近 O(n)，远优于逐行循环。
总结：通过 map() 将 Parent 映射为对应 Key 的 Value，再用 fillna() 有选择地覆盖缺失值，是解决此类“引用式填充”问题的标准范式——简洁、可读、高效且易于扩展。
