Pandas 使用NaNs Python对连续功能进行二值化

我有一个包含4000行和35个特征的熊猫数据帧，其中一些连续特征包含缺失值（NAN）。例如，其中一个（缺少46个值）具有非常左偏的分布，我希望通过选择阈值1.5对其进行二值化，低于该阈值我希望将其设置为类0，高于或等于1.5作为类1。 比如：

X_original=[0.01,2.80，-1.74,1.34,1.55]，X_bin=[0,1,0,0,1]。

我试过这样做：

dataframe[“bin”]=（dataframe[“original”]>1.5）。
但是，我注意到缺失值（NAN）消失了，它们被编码在0类中

如何解决此问题？
据我所知，有一种方法可以在比较后保留缺失的值，但您可以执行以下操作：

import pandas as pd
import numpy as np

X_original = pd.Series([0.01,2.80,-1.74, np.nan,1.55])

X_bin = X_original > 1.5
X_bin[X_original.isna()] = np.NaN

print(X_bin)

输出

0    0.0
1    1.0
2    0.0
3    NaN
4    1.0
dtype: float64

0       0
1       1
2       0
3    <NA>
4       1
dtype: Int8

要将列保持为整数（也可为空），请执行以下操作：

输出

0    0.0
1    1.0
2    0.0
3    NaN
4    1.0
dtype: float64

0       0
1       1
2       0
3    <NA>
4       1
dtype: Int8

0
1       1
2       0
3.
4       1
数据类型：Int8
我发现处理此问题的最佳方法是使用列表理解：

dataframe["Bin"] = [0 if el<1.5 else 1 if el >= 1.5 else np.NaN for el in dataframe["Original"]]

对于缺少的值，您想做什么？在我需要使用其余的功能对它们进行插补后，如何计算它们？使用KNN插补器或LSTM