Pandas 熊猫：使用SimpleImputer将数据帧转换为一个系列？

我有一个数据框和一些NaN。我想用平均值列来填充它们。这一切都很好，但在应用下面的代码后，数据帧似乎已更改为一个系列，所有值在小数点后突然具有许多位的精度，原始数据帧的列名已丢失并替换为0,1,2，我知道我可以重新创建/重置所有这些，但是否可以使用SimpleImputer而不更改数据的底层结构/类型

impute = SimpleImputer(missing_values=np.nan, strategy='mean')
impute.fit(dfn)
dfn_mean=impute.transform(dfn)

---

我认为您只能将pandas解决方案与和

mean

一起使用，其中默认情况下会忽略非数字列：

df = pd.DataFrame({
        'A':list('abcdef'),
         'B':[4,5,4,5,5,4],
         'C':[7,8,9,4,np.nan,3],
         'D':[1,3,5,7,1,0],
         'E':[5,3,6,9,np.nan,4],
         'F':list('aaabbb')
})

df = df.fillna(df.mean())
print (df)
   A  B    C  D    E  F
0  a  4  7.0  1  5.0  a
1  b  5  8.0  3  3.0  a
2  c  4  9.0  5  6.0  a
3  d  5  4.0  7  9.0  b
4  e  5  6.2  1  5.4  b
5  f  4  3.0  0  4.0  b

您的解决方案应通过以下方式更改为仅处理浮动列：

或仅数值列，但整数列将转换为浮点数：

from sklearn.impute import SimpleImputer
impute = SimpleImputer(missing_values=np.nan,strategy='mean')

c = df.select_dtypes(np.number).columns
df[c] = impute.fit_transform(df[c])
print (df)
   A    B    C    D    E  F
0  a  4.0  7.0  1.0  5.0  a
1  b  5.0  8.0  3.0  3.0  a
2  c  4.0  9.0  5.0  6.0  a
3  d  5.0  4.0  7.0  9.0  b
4  e  5.0  6.2  1.0  5.4  b
5  f  4.0  3.0  0.0  4.0  b

---

谢谢我认为你的解决方案更简单。一个问题：是否可以将fillna限制在某些列上？@Wasteland-当然，您可以使用

df=df.fillna（df['col1'，'col2'，'col3']].mean（））

from sklearn.impute import SimpleImputer
impute = SimpleImputer(missing_values=np.nan,strategy='mean')

c = df.select_dtypes(np.number).columns
df[c] = impute.fit_transform(df[c])
print (df)
   A    B    C    D    E  F
0  a  4.0  7.0  1.0  5.0  a
1  b  5.0  8.0  3.0  3.0  a
2  c  4.0  9.0  5.0  6.0  a
3  d  5.0  4.0  7.0  9.0  b
4  e  5.0  6.2  1.0  5.4  b
5  f  4.0  3.0  0.0  4.0  b