str属性包含字符串中的大多数方法。

df['ID'] = df['ID'].str.zfill(15)

查看更多：http://pandas.pydata.org/pandas-docs/stable/text.html

尝试：

df['ID'] = df['ID'].apply(lambda x: '{0:0>15}'.format(x))

甚至

df['ID'] = df['ID'].apply(lambda x: x.zfill(15))

在Python 3.6+中，你也可以使用f-strings：

df['ID'] = df['ID'].map(lambda x: f'{x:0>15}')

性能与df['ID'].map('{:0>15}'.format)相当或略差。另一方面，f字符串允许更复杂的输出，您可以通过列表解析更有效地使用它们。

性能对标

# Python 3.6.0, Pandas 0.19.2

df = pd.concat([df]*1000)

%timeit df['ID'].map('{:0>15}'.format)                  # 4.06 ms per loop
%timeit df['ID'].map(lambda x: f'{x:0>15}')             # 5.46 ms per loop
%timeit df['ID'].astype(str).str.zfill(15)              # 18.6 ms per loop

%timeit list(map('{:0>15}'.format, df['ID'].values))    # 7.91 ms per loop
%timeit ['{:0>15}'.format(x) for x in df['ID'].values]  # 7.63 ms per loop
%timeit [f'{x:0>15}' for x in df['ID'].values]          # 4.87 ms per loop
%timeit [str(x).zfill(15) for x in df['ID'].values]     # 21.2 ms per loop

# check results are the same
x = df['ID'].map('{:0>15}'.format)
y = df['ID'].map(lambda x: f'{x:0>15}')
z = df['ID'].astype(str).str.zfill(15)

assert (x == y).all() and (x == z).all()

它可以在初始化时用一条线实现。使用converters参数。

df = pd.read_excel('filename.xlsx', converters={'ID': '{:0>15}'.format})

这样你就可以将代码长度减少一半：）
PS：read_csv也有这个说法。

如果您遇到错误：
Pandas错误：只能对字符串值使用. str访问器，在pandas中使用np.object_dtype

df['ID'] = df['ID'].astype(str).str.zfill(15)

如果您想要一个更可定制的解决方案来解决这个问题，您可以尝试pandas.Series.str.pad

df['ID'] = df['ID'].astype(str).str.pad(15, side='left', fillchar='0')

str.zfill(n)是一种特殊情况，等价于str.pad(n, side='left', fillchar='0')

rjust为我工作：

df['ID']= df['ID'].str.rjust(15,'0')

在pandas中的数值列中添加前导零：

df['ID']=df['ID'].apply(lambda x: '{0:0>15}'.format(x))

在pandas中的字符列添加前导零：
方法1：使用Zfill

df['ID'] = df['ID'].str.zfill(15)

方法二：使用rjust（）函数

df['ID']=df['ID'].str.rjust(15, "0")

来源：https://www.datasciencemadesimple.com/add-leading-preceding-zeros-python/