如何解决如何基于匹配值的辅助数据框的条件来填充主数据框列中的NaN以用多个填充值填充NaN
我需要基于由groupby
和mean
函数创建的第二个数据帧在主数据帧中填充NA值。我的原始数据框需要填充约1.5K NaN,因此需要大规模重现。我创建了一个伪造的数据框,它使用伪造的场景对我的数据进行了短暂而又肮脏的模仿。我无法与您分享我的真实数据。
我的一般想法是:
main_data[
(main_data["Animal_Type"] == mean_data["Animal_Type"]) &
(main_data["Cost_Type"] == mean_data["Cost_Type"])
] = main_data["Price"].fillna(mean_data["Price"])
很显然,这是行不通的,但这是我的逻辑运作方式的一般要旨。我找到了[他的答案] [1],但看不到将其正确地应用于我的问题。很多答案都涉及mask
,或者假设我的数据很小,只有一个值可以替换我所有的NaN。我的原始数据集中有大约50种不同的均值,每种“成本类型”分别与“动物类型”配对。我的原始数据帧大约有3万个观测值,而且充满了独特的观测值。我可以映射,但这仅适用于单个列。我对编码还很陌生,因此许多其他答案对我来说也太复杂了。
main_data
mean_data.head(10)
**Pet_ID Animal_Type Cost_Type Price**
0 101 Goat Housing 6.0
1 102 Dog Housing 6.0
2 103 Horse Housing NaN
3 104 Horse Housing 5.0
4 105 Goat Housing 3.0
5 106 Dog Feeding 3.0
6 107 Cat Feeding 6.0
7 108 Horse Housing 6.0
8 109 Hamster Feeding 5.0
9 110 Horse Feeding 3.0
平均数据
Animal_Type Cost_Type Price
0 Cat Feeding 4.500000
1 Cat Housing 5.000000
2 Chicken Feeding 5.000000
3 Chicken Housing 4.500000
4 Dog Feeding 3.000000
5 Dog Housing 6.000000
6 Goat Feeding 5.000000
7 Goat Housing 5.000000
8 Hamster Feeding 5.250000
9 Hamster Housing 3.000000
10 Horse Feeding 3.500000
11 Horse Housing 5.666667
12 Rabit Feeding 3.000000
13 Rabit Housing 3.000000
我的可复制代码:
random.seed(10)
random.seed(10)
main_data = pd.DataFrame(columns = ["Pet_ID","Animal_Type","Cost_Type","Price","Cost"])
main_data["Pet_ID"] = pd.Series(list(range(101,150)))
main_data["Animal_Type"] = main_data.Animal_Type.apply(lambda x: random.choice(["Dog","Cat","Rabit","Horse","Goat","Chicken","Hamster"]))
main_data["Cost_Type"] = main_data.Animal_Type.apply(lambda x: random.choice(["Housing","Feeding"]))
main_data["Price"] = main_data.Price.apply(lambda x: random.choice([3,5,6,np.nan]))
main_data["Cost"] = main_data.Cost.apply(lambda x: random.choice([2,1,3,np.nan]))
mean_data = main_data.groupby(["Animal_Type","Cost_Type"])["Price"].mean().reset_index()
编辑:我已经提出了两种解决方案,但我不会说这是更优雅或更可靠的解决方案。可能也不是最有效的。
main_data = pd.merge(
main_data,mean_data,on = ["Animal_Type","Cost_Type"],how = "left"
)
main_data["Price_z"] = main_data["Price_x"].fillna(main_data["Price_y"])
编辑2 :我添加了带有NaN的“费用”列。我不想触及此列,但希望对价格列使用与本列相同的方法。 [1]:Replace values based on multiple conditions with groupby mean in Pandas
解决方法
我需要根据由
>>> list(gen_substrs_with_replacement(2,3)) [('a',),('b',('c',('a','a'),'b'),'c'),'c')] >>> len(list(gen_substrs_with_replacement(2,3))) 9 >>> nCk_r(2,3,True) 9 >>> len(list(gen_substrs_with_replacement(12,10))) 646645 >>> nCk_r(12,10,True) 646645
和groupby
函数创建的第二个数据帧在主数据帧中填充NA值。
您不需要这一步。您可以通过将其分组为多个数据帧,在每个数据帧上应用均值并在该数据帧内填充NA值来一步一步实现。
因此,不要创建mean
数据框,而是这样做:
mean_data
每次单独调用fill_by_mean()都会看到一个数据框,如下所示:
def fill_by_mean(df):
df["Price"] = df["Price"].fillna(df["Price"].mean())
return df
main_data = main_data.groupby(["Animal_Type","Cost_Type"]).apply(fill_by_mean)
然后,它获取价格列的均值并使用该值填充NA值。然后,Groupby将所有单个数据帧重新连接在一起。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。