Julia | DataFrame |替换缺少的值

对于

DataFrame

中的一列，我们如何用

0.0

替换

缺失的
值？
用一些
NA
创建
df

using DataFrames
df = DataFrame(A = 1.0:10.0, B = 2.0:2.0:20.0)
df[ df[:B] %2 .== 0, :A ] = NA

您将在
df
中看到一些
NA
。。。我们现在将它们转换为0.0

df[ isna(df[:A]), :A] = 0

编辑=
NaN
→<代码>不适用
。谢谢@Reza
其他答案都很好。如果你是一个真正的速度迷，也许以下内容适合你：

# prepare example
using DataFrames
df = DataFrame(A = 1.0:10.0, B = 2.0:2.0:20.0)
df[ df[:A] %2 .== 0, :B ] = NA


df[:B].data[df[:B].na] = 0.0 # put the 0.0 into NAs
df[:B] = df[:B].data         # with no NAs might as well use array

自从Julia最近引入了
missing
属性以来，这是一个更短、更新更多的答案

using DataFrames
df = DataFrame(A=rand(1:50, 5), B=rand(1:50, 5), C=vcat(rand(1:50,3), missing, rand(1:50))) ## Creating random 5 integers within the range of 1:50, while introducing a missing variable in one of the rows
df = DataFrame(replace!(convert(Matrix, df), missing=>0)) ## Converting to matrix first, since replacing values directly within type dataframe is not allowed

有几种不同的方法可以解决此问题（适用于Julia 1.x）：

基地，替换！
可能最简单的方法是使用
replace或<代码>从基础位置替换
。下面是一个使用
replace：

julia> using DataFrames

julia> df = DataFrame(x = [1, missing, 3])
3×1 DataFrame
│ Row │ x       │
│     │ Int64⍰  │
├─────┼─────────┤
│ 1   │ 1       │
│ 2   │ missing │
│ 3   │ 3       │

julia> replace!(df.x, missing => 0);

julia> df
3×1 DataFrame
│ Row │ x      │
│     │ Int64⍰ │
├─────┼────────┤
│ 1   │ 1      │
│ 2   │ 0      │
│ 3   │ 3      │

但是，请注意，此时列
x
的类型仍然允许缺少值：

julia> typeof(df.x)
Array{Union{Missing, Int64},1}

julia> df = DataFrame(x = [1, missing, 3]);

julia> df.x = replace(df.x, missing => 0);

julia> df
3×1 DataFrame
│ Row │ x     │
│     │ Int64 │
├─────┼───────┤
│ 1   │ 1     │
│ 2   │ 0     │
│ 3   │ 3     │

打印数据帧时，列
x
中
Int64
后面的问号也表示这一点。您可以使用
disallowmissing来更改此设置（：

或者，如果按如下方式使用
replace
（不带感叹号），则输出将不允许缺少值：

julia> typeof(df.x)
Array{Union{Missing, Int64},1}

julia> df = DataFrame(x = [1, missing, 3]);

julia> df.x = replace(df.x, missing => 0);

julia> df
3×1 DataFrame
│ Row │ x     │
│     │ Int64 │
├─────┼───────┤
│ 1   │ 1     │
│ 2   │ 0     │
│ 3   │ 3     │

Base.ismissing与逻辑索引
您可以将
ismissing
与逻辑索引一起使用，为数组中所有缺少的项分配一个新值：

julia> df = DataFrame(x = [1, missing, 3]);

julia> df.x[ismissing.(df.x)] .= 0;

julia> df
3×1 DataFrame
│ Row │ x      │
│     │ Int64⍰ │
├─────┼────────┤
│ 1   │ 1      │
│ 2   │ 0      │
│ 3   │ 3      │

基聚结
另一种方法是使用
合并
：

julia> df = DataFrame(x = [1, missing, 3]);

julia> df.x = coalesce.(df.x, 0);

julia> df
3×1 DataFrame
│ Row │ x     │
│     │ Int64 │
├─────┼───────┤
│ 1   │ 1     │
│ 2   │ 0     │
│ 3   │ 3     │

数据框架数据
replace
和
coalesce
都可以与包中的
@transform
宏一起使用：

附加文件




我不喜欢
df[：B]=convert（Array，df[：B]，0.0）
？@RezaAfzalan我尝试过使用这种方法，但当我运行
convert（Array，df\u of_name，“none”）
时，它会给出一个错误，说
MethodError:no方法匹配convert（：：Type{Array}，：：DataFrames.DataFrames，：：String）
运行
convert（Array，df\u of_name）
工作正常。你知道为什么会出现这种错误吗？
julia> df = DataFrame(x = [1, missing, 3]);

julia> @transform(df, x = coalesce.(:x, 0))
3×1 DataFrame
│ Row │ x     │
│     │ Int64 │
├─────┼───────┤
│ 1   │ 1     │
│ 2   │ 0     │
│ 3   │ 3     │