让我们考虑以下 DataFrame
| 姓名 | A | B | C | D |
|---|---|---|---|---|
| 汤姆 | 10.0 | NaN | NaN | NaN |
| 汤姆 | NaN | 15.0 | NaN | NaN |
| 汤姆 | NaN | NaN | 20.0 | NaN |
| 汤姆 | NaN | NaN | NaN | 25.0 |
| 汤姆 | 30.0 | NaN | NaN | NaN |
| 汤姆 | NaN | NaN | NaN | 40.0 |
| 约翰 | 1.0 | NaN | NaN | NaN |
| 约翰 | NaN | 2.0 | NaN | NaN |
| 约翰 | NaN | NaN | 3.0 | NaN |
| 约翰 | NaN | NaN | NaN | 4.0 |
| 约翰 | 5.0 | NaN | NaN | NaN |
| 约翰 | NaN | 6.0 | NaN | NaN |
| 约翰 | NaN | NaN | 7.0 | NaN |
| 约翰 | NaN | NaN | NaN | 8.0 |
我想折叠它以限制 DataFrame 中 NaN 值的数量 - 可以是连续的，即如果可能的话合并相邻的行，但我关心的是列 {{1} 的值} 对应折叠后的同一个A-D
我最完美的结果是
| 姓名 | A | B | C | D |
|---|---|---|---|---|
| 汤姆 | 10.0 | 15.0 | 20.0 | 25.0 |
| 汤姆 | 30.0 | NaN | NaN | 40.0 |
| 约翰 | 1.0 | 2.0 | 3.0 | 4.0 |
| 约翰 | 5.0 | 6.0 | 7.0 | 8.0 |
据我所知，Pandas Name 不会成功，因为它会为每个名称留下一个条目。
如果这有帮助，我会使用字典来创建数据框。字典是这样的：
groupby('Name')所以，基本上，我取字典中的每个数字，然后用这个数字创建一行，然后合并所有行。
是否有一种简单的方法来折叠生成的 DataFrame 或在给定这样的字典的情况下构建更紧凑的 DataFrame
答案 0 :(得分：2)
您可以 .groupby + .transform（您可以在其中“向上移动”值）。然后删除包含所有 NaN 值的行：
print(
df.set_index("Name")
.groupby(level=0)
.transform(lambda x: sorted(x, key=lambda k: pd.isna(k)))
.dropna(axis=0, how="all")
.reset_index()
)
打印：
Name A B C D
0 tom 10.0 15.0 20.0 25.0
1 tom 30.0 NaN NaN 40.0
2 john 1.0 2.0 3.0 4.0
3 john 5.0 6.0 7.0 8.0