这应该很简单,但是我发现的最接近的内容是这篇文章:
pandas:填充组中的缺失值,但我仍然无法解决我的问题....

假设我具有以下数据框

df = pd.DataFrame({'value': [1, np.nan, np.nan, 2, 3, 1, 3, np.nan, 3], 'name': ['A','A', 'B','B','B','B', 'C','C','C']})

  name  value
0    A      1
1    A    NaN
2    B    NaN
3    B      2
4    B      3
5    B      1
6    C      3
7    C    NaN
8    C      3


,我想用每个“名称”组中的平均值填写“ NaN”,即

      name  value
0    A      1
1    A      1
2    B      2
3    B      2
4    B      3
5    B      1
6    C      3
7    C      3
8    C      3


我不确定该去哪里:

grouped = df.groupby('name').mean()


谢谢。

/>

#1 楼

一种方法是使用transform

>>> df
  name  value
0    A      1
1    A    NaN
2    B    NaN
3    B      2
4    B      3
5    B      1
6    C      3
7    C    NaN
8    C      3
>>> df["value"] = df.groupby("name").transform(lambda x: x.fillna(x.mean()))
>>> df
  name  value
0    A      1
1    A      1
2    B      2
3    B      2
4    B      3
5    B      1
6    C      3
7    C      3
8    C      3


评论


当我开始坐下来阅读文档时,我发现它很有帮助。在groupby部分中介绍了这一部分。有太多的事情要记住,但是您会选择诸如“转换是针对每个组操作的规则,这些操作要像原始帧一样被索引”之类的规则。

– DSM
13年13月13日在22:57

还要寻找韦斯·麦金尼(Wes McKinney)的书。我个人认为groupby上的文档非常糟糕,这本书稍好一些。

–木质的骄傲
13年11月14日,0:51

如果您有两列以上,请确保指定列名称df [“ value”] = df.groupby(“ name”)。transform(lambda x:x.fillna(x.mean()))['value ']

–劳伦
17年1月10日在16:57

@Lauren好点。我想补充一下,出于性能方面的考虑,您可能考虑将value列的说明进一步移到group-by子句。这样,lambda函数仅在该特定列(而不是每个列)中调用值,然后才选择列。做了一个测试,使用两根色谱柱的速度是它的两倍。当然,无需插入更多的列,您也可以获得更好的性能:df [“ value”] = df.groupby(“ name”)[“ value”]。transform(lambda x:x.fillna(x.mean ()))

–AndréC. Andersen
17年7月28日在12:11

我已经搜索了两天。。只是您的一个问题。为什么用循环很难做到这一点?因为在我的情况下,有两个多重索引,即State和Age_Group,然后我试图用组均值填充那些组中的缺失值(来自同一年龄组中的同一州取均值并填充组中的缺失)。

–奥兹坎·塞塔斯(Ozkan Serttas)
19年1月9日在20:26



#2 楼


fillna + groupby + transform + mean


这似乎很直观:

df['value'] = df['value'].fillna(df.groupby('name')['value'].transform('mean'))


groupby + transform语法图原始数据帧索引的分组均值。这大致相当于@DSM的解决方案,但避免了定义匿名lambda函数的需要。

#3 楼

@DSM为IMO提供了正确的答案,但我想分享我对该问题的概括和优化:多个列进行分组,并具有多个值列:

df = pd.DataFrame(
    {
        'category': ['X', 'X', 'X', 'X', 'X', 'X', 'Y', 'Y', 'Y'],
        'name': ['A','A', 'B','B','B','B', 'C','C','C'],
        'other_value': [10, np.nan, np.nan, 20, 30, 10, 30, np.nan, 30],
        'value': [1, np.nan, np.nan, 2, 3, 1, 3, np.nan, 3],
    }
)


...给出...

  category name  other_value value
0        X    A         10.0   1.0
1        X    A          NaN   NaN
2        X    B          NaN   NaN
3        X    B         20.0   2.0
4        X    B         30.0   3.0
5        X    B         10.0   1.0
6        Y    C         30.0   3.0
7        Y    C          NaN   NaN
8        Y    C         30.0   3.0


在这种一般情况下,我们希望将categoryname分组,并仅对value进行归因。
可以通过以下方法解决:

df['value'] = df.groupby(['category', 'name'])['value']\
    .transform(lambda x: x.fillna(x.mean()))


请注意group-by子句中的列列表,并在组之后选择value列-通过。这使得转换只能在该特定列上运行。您可以将其添加到末尾,但是随后将对所有列运行它,仅抛出末尾一个度量列之外的所有列。标准的SQL查询计划程序可能已经能够优化此功能,但是pandas(0.19.2)似乎无法做到这一点。

通过...提高数据集的性能测试...

big_df = None
for _ in range(10000):
    if big_df is None:
        big_df = df.copy()
    else:
        big_df = pd.concat([big_df, df])
df = big_df


...确认这将提高速度,与您不必估算的列数成正比:

import pandas as pd
from datetime import datetime

def generate_data():
    ...

t = datetime.now()
df = generate_data()
df['value'] = df.groupby(['category', 'name'])['value']\
    .transform(lambda x: x.fillna(x.mean()))
print(datetime.now()-t)

# 0:00:00.016012

t = datetime.now()
df = generate_data()
df["value"] = df.groupby(['category', 'name'])\
    .transform(lambda x: x.fillna(x.mean()))['value']
print(datetime.now()-t)

# 0:00:00.030022


最后一点,如果您要推算多个而不是全部的列,则可以进一步推广:

df[['value', 'other_value']] = df.groupby(['category', 'name'])['value', 'other_value']\
    .transform(lambda x: x.fillna(x.mean()))


评论


感谢您的出色工作。我想知道如何使用for循环来成功完成相同的转换。速度与我无关,因为我正在尝试寻找手动方法。谢谢@AndréC.Andersen

–奥兹坎·塞塔斯(Ozkan Serttas)
19年1月9日在21:55



#4 楼

我会这样

df.loc[df.value.isnull(), 'value'] = df.groupby('group').value.transform('mean')


评论


与此版本df ['value_imputed'] = np.where(df.value.isnull(),df.groupby('group')。value.transform('mean'),df.value)略有不同的版本

–tsando
19年7月16日在10:13

#5 楼

上面的大多数答案都涉及使用“ groupby”和“ transform”填充缺失值。

但是我更喜欢将“ groupby”与“ apply”一起填充缺失值,这对我来说更直观。

>>> df['value']=df.groupby('name')['value'].apply(lambda x:x.fillna(x.mean()))
>>> df.isnull().sum().sum()
    0 


快捷方式:Groupby + Apply / Lambda + Fillna + Mean

如果要按多列分组以替换,此解决方案仍然有效缺少值。

     >>> df = pd.DataFrame({'value': [1, np.nan, np.nan, 2, 3, np.nan,np.nan, 4, 3], 
    'name': ['A','A', 'B','B','B','B', 'C','C','C'],'class':list('ppqqrrsss')})  

     >>> df
   value name   class
0    1.0    A     p
1    NaN    A     p
2    NaN    B     q
3    2.0    B     q
4    3.0    B     r
5    NaN    B     r
6    NaN    C     s
7    4.0    C     s
8    3.0    C     s

>>> df['value']=df.groupby(['name','class'])['value'].apply(lambda x:x.fillna(x.mean()))

>>> df
        value name   class
    0    1.0    A     p
    1    1.0    A     p
    2    2.0    B     q
    3    2.0    B     q
    4    3.0    B     r
    5    3.0    B     r
    6    3.5    C     s
    7    4.0    C     s
    8    3.0    C     s


#6 楼

精选的高答案仅适用于只有两列的熊猫数据框。如果您有更多的专栏案例,请改用:

df['Crude_Birth_rate'] = df.groupby("continent").Crude_Birth_rate.transform(
    lambda x: x.fillna(x.mean()))


评论


谢谢,这个答案对我有用。对于刚接触大熊猫的人,也可以使用切片符号df.groupby(“ continent”)['Crude_Birth_rate']进行索引...我认为这是建议的转换

–亚当·休斯(Adam Hughes)
19年11月7日在19:07

#7 楼

def groupMeanValue(group):
    group['value'] = group['value'].fillna(group['value'].mean())
    return group

dft = df.groupby("name").transform(groupMeanValue)


#8 楼

df.fillna(df.groupby(['name'], as_index=False).mean(), inplace=True)


评论


请给您的答案一些解释。为什么在Google偶然发现此页面的人将您的解决方案用于其他6个答案?

– Divibisan
18-10-4在20:28

@vino请添加一些解释

–努斯纳兹
19年2月16日在19:28

#9 楼

您也可以使用"dataframe or table_name".apply(lambda x: x.fillna(x.mean()))