### 处理DataFrame中的NaN或Inf值 在处理包含`NaN`或`Inf`值的Pandas DataFrame时，可以使用多种方法来实现用最近一个非零值填充这些特殊值的需求。以下是具体的解决方案： 首先，需要确保导入必要的库： ```python import pandas as pd import numpy as np ``` 接下来，定义一个示例DataFrame以演示操作： ```python data = { 'A': [1, 0, np.nan, 4, np.inf], 'B': [5, np.nan, 3, 0, 2], 'C': [np.nan, 8, 9, np.inf, 0] } df = pd.DataFrame(data) print("原始数据：") print(df) ``` 为了用最近一个非零值填充`NaN`或`Inf`值，可以按照以下步骤进行操作： 1. **将`Inf`和`-Inf`替换为`NaN`** 使用`replace`函数将无穷大值替换为`NaN`，以便统一处理[^4]。 ```python df.replace([np.inf, -np.inf], np.nan, inplace=True) ``` 2. **标记非零值并向前填充** 使用`mask`函数将零值设置为`NaN`，然后通过`fillna`方法实现向前填充（`ffill`）[^3]。 ```python df_filled = df.mask(df == 0).fillna(method='ffill') ``` 3. **处理首行可能缺失的情况** 如果首行没有非零值，则需要额外指定默认值或保持原样。可以通过`fillna`方法完成。 ```python df_filled.fillna(0, inplace=True) # 默认用0填充未匹配到的值 ``` 完整代码如下： ```python import pandas as pd import numpy as np # 示例数据 data = { 'A': [1, 0, np.nan, 4, np.inf], 'B': [5, np.nan, 3, 0, 2], 'C': [np.nan, 8, 9, np.inf, 0] } df = pd.DataFrame(data) # 替换 Inf 和 -Inf 为 NaN df.replace([np.inf, -np.inf], np.nan, inplace=True) # 将零值设为 NaN 并向前填充 df_filled = df.mask(df == 0).fillna(method='ffill') # 填充首行可能缺失的值 df_filled.fillna(0, inplace=True) print("处理后的数据：") print(df_filled) ``` #### 输出结果 假设输入数据为： ``` A B C 0 1.0 5.0 NaN 1 0.0 NaN 8.0 2 NaN 3.0 9.0 3 4.0 0.0 inf 4 inf 2.0 0.0 ``` 经过上述处理后，输出结果为： ``` A B C 0 1.0 5.0 0.0 1 1.0 5.0 8.0 2 1.0 3.0 9.0 3 4.0 3.0 9.0 4 4.0 2.0 9.0 ``` --- ### 注意事项 - 在执行`fillna(method='ffill')`时，如果某列中所有值均为`NaN`或`Inf`，则该列无法填充任何有效值[^3]。 - 可根据实际需求调整默认填充值（例如`fillna(0)`部分），以适应不同场景。 ---