我的pandas DataFrame主要填充了实数,但其中也有一些nan
值。
如何将nan
s替换为它们所在列的平均值?
这个问题与这个问题非常相似:numpy array: replace nan values with average of columns但不幸的是,那里给出的解决方案不适用于pandas DataFrame。
答案 0 :(得分:185)
您只需使用DataFrame.fillna
直接填充nan
:
In [27]: df
Out[27]:
A B C
0 -0.166919 0.979728 -0.632955
1 -0.297953 -0.912674 -1.365463
2 -0.120211 -0.540679 -0.680481
3 NaN -2.027325 1.533582
4 NaN NaN 0.461821
5 -0.788073 NaN NaN
6 -0.916080 -0.612343 NaN
7 -0.887858 1.033826 NaN
8 1.948430 1.025011 -2.982224
9 0.019698 -0.795876 -0.046431
In [28]: df.mean()
Out[28]:
A -0.151121
B -0.231291
C -0.530307
dtype: float64
In [29]: df.fillna(df.mean())
Out[29]:
A B C
0 -0.166919 0.979728 -0.632955
1 -0.297953 -0.912674 -1.365463
2 -0.120211 -0.540679 -0.680481
3 -0.151121 -2.027325 1.533582
4 -0.151121 -0.231291 0.461821
5 -0.788073 -0.231291 -0.530307
6 -0.916080 -0.612343 -0.530307
7 -0.887858 1.033826 -0.530307
8 1.948430 1.025011 -2.982224
9 0.019698 -0.795876 -0.046431
fillna
的文档字符串表示value
应该是标量或字典,但它似乎也适用于Series
。如果您想传递词典,可以使用df.mean().to_dict()
。
答案 1 :(得分:32)
尝试:
sub2['income'].fillna((sub2['income'].mean()), inplace=True)
答案 2 :(得分:20)
In [16]: df = DataFrame(np.random.randn(10,3))
In [17]: df.iloc[3:5,0] = np.nan
In [18]: df.iloc[4:6,1] = np.nan
In [19]: df.iloc[5:8,2] = np.nan
In [20]: df
Out[20]:
0 1 2
0 1.148272 0.227366 -2.368136
1 -0.820823 1.071471 -0.784713
2 0.157913 0.602857 0.665034
3 NaN -0.985188 -0.324136
4 NaN NaN 0.238512
5 0.769657 NaN NaN
6 0.141951 0.326064 NaN
7 -1.694475 -0.523440 NaN
8 0.352556 -0.551487 -1.639298
9 -2.067324 -0.492617 -1.675794
In [22]: df.mean()
Out[22]:
0 -0.251534
1 -0.040622
2 -0.841219
dtype: float64
为每列应用列的平均值并填充
In [23]: df.apply(lambda x: x.fillna(x.mean()),axis=0)
Out[23]:
0 1 2
0 1.148272 0.227366 -2.368136
1 -0.820823 1.071471 -0.784713
2 0.157913 0.602857 0.665034
3 -0.251534 -0.985188 -0.324136
4 -0.251534 -0.040622 0.238512
5 0.769657 -0.040622 -0.841219
6 0.141951 0.326064 -0.841219
7 -1.694475 -0.523440 -0.841219
8 0.352556 -0.551487 -1.639298
9 -2.067324 -0.492617 -1.675794
答案 3 :(得分:9)
for i in range(0, np.size(time)):
if height[i]=0
del time[i]
del height[i]
答案 4 :(得分:8)
如果你想用平均值来估算缺失值,并且你想逐列,那么这只会用该列的平均值来判断。这可能更具可读性。
sub2['income'] = sub2['income'].fillna((sub2['income'].mean()))
答案 5 :(得分:6)
除上述选择之外的另一个选择是:
df = df.groupby(df.columns, axis = 1).transform(lambda x: x.fillna(x.mean()))
它比以前的平均值响应更不优雅,但如果您希望用其他列函数替换空值,它可能会更短。
答案 6 :(得分:4)
直接使用df.fillna(df.mean())
用均值填充所有空值
如果要用该列的平均值填充空值,则可以使用此
假设x=df['Item_Weight']
此处Item_Weight
是列名
我们在这里分配(将x的空值和x的平均值填充到x中)
df['Item_Weight'] = df['Item_Weight'].fillna((df['Item_Weight'].mean()))
如果要用一些字符串填充空值,请使用
这里Outlet_size
是列名
df.Outlet_Size = df.Outlet_Size.fillna('Missing')
答案 7 :(得分:3)
尽管下面的代码可以完成这项工作,但是当您处理一个记录数为100k或更多的DataFrame时,其性能会受到很大的影响:
df.fillna(df.mean())
根据我的经验,应该替换NaN值(用Mean或Median代替),仅在需要时替换,而不要在DataFrame上应用fillna()。
我有一个带有20个变量的DataFrame,只有其中4个需要NaN值处理(替换)。我尝试了上面的代码(代码1),以及对其进行了稍微修改的版本(代码2),在中我选择性地运行了该代码。仅针对具有NaN值的变量
#------------------------------------------------
#----(Code 1) Treatment on overall DataFrame-----
df.fillna(df.mean())
#------------------------------------------------
#----(Code 2) Selective Treatment----------------
for i in df.columns[df.isnull().any(axis=0)]: #---Applying Only on variables with NaN values
df[i].fillna(df[i].mean(),inplace=True)
#---df.isnull().any(axis=0) gives True/False flag (Boolean value series),
#---which when applied on df.columns[], helps identify variables with NaN values
下面是我观察到的性能,因为我不断增加DataFrame中的#条记录
具有约10万条记录的DataFrame
具有约20万条记录的DataFrame
具有约160万条记录的DataFrame
具有约1300万条记录的数据框
道歉!希望这会有所帮助!
答案 8 :(得分:2)
Pandas:如何用一栏的平均值(均值),中位数或其他统计值替换NaN(nan
)值
假设您的DataFrame为df
,并且您有一列称为nr_items
。这是:df['nr_items']
如果您要替换列NaN
的 df['nr_items']
值和列的平均值 :
使用方法 .fillna
:
mean_value=df['nr_items].mean()
df['nr_item_ave']=df['nr_items].fillna(mean_value)
我创建了一个名为df
的新nr_item_ave
列,用于存储新列,其中NaN
的值替换为该列的mean
的值。
使用mean
时应小心。如果您有异常值,建议使用 median
答案 9 :(得分:2)
使用sklearn库预处理类
from sklearn.impute import SimpleImputer
missingvalues = SimpleImputer(missing_values = np.nan, strategy = 'mean', axis = 0)
missingvalues = missingvalues.fit(x[:,1:3])
x[:,1:3] = missingvalues.transform(x[:,1:3])
注意:在最近的版本参数missing_values
中,值从np.nan
变为NaN
答案 10 :(得分:0)
我使用这种方法通过列的平均值填充缺失值。
fill_mean = lambda col : col.fillna(col.mean())
df = df.apply(fill_mean, axis = 0)
答案 11 :(得分:0)
您还可以使用 value_counts
获取最频繁的值。这适用于不同的数据类型。
df = df.apply(lambda x:x.fillna(x.value_counts().index[0]))
Here 是 value_counts api 引用。