一个可能的解决方案是使用Sparse data structures（它不存储None值）：

txt = """
id    a1    a2    a3     b1     b2     b3
0  10.0  20.0  30.0   None   None   None
1  40.0  50.0  60.0   None   None   None
2  70.0  80.0  90.0   None   None   None
3   None   None   None  100.0  200.0  300.0
4   None   None   None  400.0  500.0  600.0
"""

df = pd.read_csv(StringIO(txt), sep='\s+')

df = df.astype(pd.SparseDtype("float", None))

print(df.memory_usage())

输出：

Index    132
id        60
a1        36
a2        36
a3        36
b1        24
b2        24
b3        24
dtype: int64

@kkawabat，怎么样，首先分离a，b然后分配两个 Dataframe ，一个新的行称为，'TYPE'，为df填充TYPE与'a'和TYPE 'b'为其他，然后合并两个 Dataframe ，在这种情况下，你不需要使df列如a1，a2，b1，b2，你可以只做col 1，col 2，.......或者u也可以将TYPE设置为布尔值，并将True称为a，False称为b。

这是一个有点古怪，但我最终做的是：
创建一个新的dataframe，列为id，type，value_dict，其中type是a或b，value_dict的值是一个字典，其中的键是所有的列名称和值。比如说

id | a1 | a2 |....| aN | b1 | b2 |....| bM |
___________________________________________
0  |data|data|....|data|None|None|....|None|
1  |data|data|....|data|None|None|....|None|
2  |data|data|....|data|None|None|....|None|
3  |None|None|....|None|data|data|....|data|
4  |None|None|....|None|data|data|....|data|
....

将是：

id | type | value_dict |
___________________________________________
0  | "a"  | {"a1": data, "a2": data, ... "aN": data}|
1  | "a"  | {"a1": data, "a2": data, ... "aN": data}|
2  | "a"  | {"a1": data, "a2": data, ... "aN": data}|
3  | "b"  | {"b1": data, "b2": data, ... "bM": data}|
4  | "b"  | {"b1": data, "b2": data, ... "bM": data}|
....

我用字典作为元素有点奇怪，但这似乎是我能想到的最直观的解决方案。