如何用群体均值填充 Pandas 中的缺失值？

按 Pandas 中每个组的平均值填充缺失值

在这种情况下，您的目标是填充缺失值（“NaN” ）与“名称”列中每个不同组的平均值。为了实现这一点，您可以将 Pandas 的转换函数与 fillna 方法结合使用。

让我们考虑提供的示例 DataFrame：

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']
})

# Original DataFrame
print(df)

计算每个“名称”内的平均值group，你可以使用groupby函数：

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

但是，grouped是一个包含平均值的DataFrame，我们需要将其应用回原始 DataFrame 以填充缺失值。这就是转换变得有用的地方：

df["value"] = df.groupby("name").transform(lambda x: x.fillna(x.mean()))

这是代码的细分：

• df.groupby("name") 按“name”列对 DataFrame 进行分组。

• lambda x: x.fillna(x.mean()) 定义一个匿名函数，它接受每个组（由 x 表示）作为输入并执行以下操作：

  • 它用使用 x.mean() 计算的平均值填充缺失值（“NaN”）。
• df["value"] 将原始 DataFrame 中的“value”列替换为填充缺失值的转换值

执行代码后，生成的 DataFrame 将包含所需的填充值：

# Adjusted DataFrame
print(df)

以上是如何用群体均值填充 Pandas 中的缺失值？的详细内容。更多信息请关注PHP中文网其他相关文章！