本文介绍一种简洁高效的方法：利用 groupby().transform() 结合众数计算，按指定分组列（如 col_b）为另一列（如 col_a）的 nan 值填充其所在组内的最频繁非空值，无需手动构建映射表。
在数据清洗中，按条件填充缺失值是常见需求。例如，当 col_A 存在缺失时，我们希望依据 col_B 的取值，将其替换为「该 col_B 类别下 col_A 出现频率最高的非空值」——即分组众数（group-wise mode）。Pandas 提供了优雅的向量化方案，完全避免循环、索引列表解析或中间 DataFrame 构建等冗余步骤。
核心思路是：对 col_A 按 col_B 分组后，使用 transform() 将每个组内计算出的众数广播回原长度，并通过 fillna() 完成就地填充。注意：Series.mode() 返回 Series（即使只有一个值），需用 .iloc[0] 提取标量；且需处理众数为空（如全 NaN 组）的边界情况。
以下是完整可运行示例：
import pandas as pd
import numpy as np
# 构造示例数据
df = pd.DataFrame({
'col_A': [8, 7, 20, np.nan, 8, 9, 37, np.nan, np.nan],
'col_B': [31, 30, 83, 5, 31, 34, 158, 5, 30]
})
# 定义填充函数：返回该组内 col_A 的众数填充结果
def impute_by_mode(series):
mode_vals = series.mode()
if not mode_vals.empty:
return series.fillna(mode_vals.iloc[0])
else:
return series # 无众数时保持原缺失（也可填 np.nan 或其他默认值）
# 应用分组填充（直接赋值到原列或新列）
df['col_A_filled'] = df.groupby('col_B')['col_A'].transform(impute_by_mode)
print(df)输出中，col_B == 5 对应的两行 col_A 缺失值将被统一填充为该组唯一非空值（即 20，若实际数据中 col_B==5 时 col_A 多次出现 1，则填 1）；同理，col_B == 30 组若 7 出现最多，则所有该组缺失值均填 7。
⚠️ 注意事项：
- mode() 默认忽略 NaN，行为安全；
- 若某组所有 col_A 均为 NaN，则 mode() 返回空 Series，函数会保留原 NaN —— 可根据业务需要改为填充全局众数、中位数或抛出警告；
- transform() 保证返回与原组等长的结果，天然适配填充场景，无需对齐索引；
- 性能优于 apply() + 字典映射，尤其在大数据集上优势显著。
此方法兼具可读性、健壮性与执行效率，是 Pandas 分组填充缺失值的标准实践。
