Python 用中位数替换NaN值?
所以我试图用Pandas来替换表中的所有NaN值,用特定范围内的中值。我正在处理一个更大的数据集,例如Python 用中位数替换NaN值?,python,pandas,numpy,data-cleaning,Python,Pandas,Numpy,Data Cleaning,所以我试图用Pandas来替换表中的所有NaN值,用特定范围内的中值。我正在处理一个更大的数据集,例如 np.random.seed(0) rng = pd.date_range('2020-09-24', periods=20, freq='0.2H') df = pd.DataFrame({ 'Date': rng, 'Val': np.random.randn(len(rng)), 'Dist' :np.random.randn(len(rng)) }) df.Dist[df.Dist&
np.random.seed(0)
rng = pd.date_range('2020-09-24', periods=20, freq='0.2H')
df = pd.DataFrame({ 'Date': rng, 'Val': np.random.randn(len(rng)), 'Dist' :np.random.randn(len(rng)) })
df.Dist[df.Dist<=-0.6] = np.nan
df.Val[df.Val<=-0.5] = np.nan
但是现在我已经以各种形式尝试了下面的所有命令,无法解决如何填充NaN值
df[["Val","Hour"]].mask(df['Val'].isna(), df_val.iloc[df.Hour], inplace=True)
df.where(df['Val'].notna(), other=df_val[df.Hour],axis = 0)
df["Val"] = np.where(df['Val'].notna(), df['Val'], df_val(df.Hour))
df.replace({"Val":{np.nan:df_val[df.Hour]}, "Dist":{np.nan:df_dist[df.Hour]}})
您可以使用
groupby.transform
和fillna:
cols = ['Val','Dist']
df[cols] = df[cols].fillna(df.groupby(df.Date.dt.floor('H'))
[cols].transform('median')
)
输出:
Date Val Dist
0 2020-09-24 00:00:00 1.764052 0.864436
1 2020-09-24 00:12:00 0.400157 0.653619
2 2020-09-24 00:24:00 0.978738 0.864436
3 2020-09-24 00:36:00 2.240893 0.864436
4 2020-09-24 00:48:00 1.867558 2.269755
5 2020-09-24 01:00:00 0.153690 0.757559
6 2020-09-24 01:12:00 0.950088 0.045759
7 2020-09-24 01:24:00 -0.151357 -0.187184
8 2020-09-24 01:36:00 -0.103219 1.532779
9 2020-09-24 01:48:00 0.410599 1.469359
10 2020-09-24 02:00:00 0.144044 0.154947
11 2020-09-24 02:12:00 1.454274 0.378163
12 2020-09-24 02:24:00 0.761038 0.154947
13 2020-09-24 02:36:00 0.121675 0.154947
14 2020-09-24 02:48:00 0.443863 -0.347912
15 2020-09-24 03:00:00 0.333674 0.156349
16 2020-09-24 03:12:00 1.494079 1.230291
17 2020-09-24 03:24:00 -0.205158 1.202380
18 2020-09-24 03:36:00 0.313068 -0.387327
19 2020-09-24 03:48:00 0.323371 -0.302303
您可以使用
groupby->transform
操作,同时还可以使用pd.Grouper
类执行每小时的转换。这将基本上创建一个数据帧,其形状与使用每小时中间值的原始数据帧相同。一旦有了它,就可以直接使用DataFrame.fillna
hourly_medians = df.groupby(pd.Grouper(key="Date", freq="H")).transform("median")
out = df.fillna(hourly_medians)
print(out)
Date Val Dist
0 2020-09-24 00:00:00 1.764052 0.864436
1 2020-09-24 00:12:00 0.400157 0.653619
2 2020-09-24 00:24:00 0.978738 0.864436
3 2020-09-24 00:36:00 2.240893 0.864436
4 2020-09-24 00:48:00 1.867558 2.269755
5 2020-09-24 01:00:00 0.153690 0.757559
6 2020-09-24 01:12:00 0.950088 0.045759
7 2020-09-24 01:24:00 -0.151357 -0.187184
8 2020-09-24 01:36:00 -0.103219 1.532779
9 2020-09-24 01:48:00 0.410599 1.469359
10 2020-09-24 02:00:00 0.144044 0.154947
11 2020-09-24 02:12:00 1.454274 0.378163
12 2020-09-24 02:24:00 0.761038 0.154947
13 2020-09-24 02:36:00 0.121675 0.154947
14 2020-09-24 02:48:00 0.443863 -0.347912
15 2020-09-24 03:00:00 0.333674 0.156349
16 2020-09-24 03:12:00 1.494079 1.230291
17 2020-09-24 03:24:00 -0.205158 1.202380
18 2020-09-24 03:36:00 0.313068 -0.387327
19 2020-09-24 03:48:00 0.323371 -0.302303
利用你所做的,我会这样做:
df.Val = df.Val.fillna(df.Hour.map(df_val.squeeze()))
df.Dist = df.Val.fillna(df.Hour.map(df_dist.squeeze()))
您可以为所需任务定义函数:
def impute_nan(df,var,median):
df['new_'+var] = df[var].fillna(median)
median = df.Val.medain()
median
impute_nan(df,'Val',median)
这将为您提供一个名为“new_Val”的新coln,其中包含替换后的NAN值。一个非常简洁的解决方案,您能否解释/链接详细信息,说明如何使用
groupby()
,然后使用transform()
,中间只有一个间隙?另外,为什么.transform('median'))
比更有效。median
?。median
为每个组提供一个值,因此您将获得长度等于组数的数据帧/序列transform
跨组重新填充值,因此您将收到与原始数据帧具有相同索引的数据帧/序列。由于您要重新分配到原始数据帧,transform
工作得更好。如果我先压缩中间值,我的where()
或replace()
会起作用吗?不要这样认为,因为这里df_val[df.Hour]
将整列值传递给df_val
,这应该会引发错误。fillna()希望得到一个标量、dict或级数,而.map()无法通过它,因此这似乎不起作用df.Hour.map(df_dist.squeeze())
是一个级数,所以它实际上起作用
def impute_nan(df,var,median):
df['new_'+var] = df[var].fillna(median)
median = df.Val.medain()
median
impute_nan(df,'Val',median)