Question

我有一个大型数据集：

    period_id  gic_subindustry_id  operating_mgn_fym5  operating_mgn_fym4  317        201509            25101010           13.348150           11.745965   
682        201509            20101010           10.228725           10.473917   
903        201509            20101010           NaN                 17.700966   
1057       201509            50101010           27.858305           28.378040   
1222       201509            25502020           15.598956           11.658813   
2195       201508            25502020           27.688324           22.969760   
2439       201508            45202020           NaN                 27.145216   
2946       201508            45102020           17.956425           18.327724

在实践中，我每年有数千个值可追溯到25年，以及多个（10+）列。

我正在尝试将NaN值替换为该时间段的gic_industry_id中值/平均值。

我尝试了一些

的内容

df.fillna（df.groupby（＆＃39; period_id＆＃39;，＆＃39; gic_subindustry_id＆＃39;）。transform（＆＃39; mean＆＃39;）），但这似乎很缓慢（几分钟后我停了下来）。

我突然想到它可能很慢的原因是重新计算遇到的每个NaN的平均值。为了解决这个问题，我认为计算每个period_id的均值，然后用这个替换/映射每个NaN可能要快得多。

means = df.groupby(['period_id', 'gic_subindustry_id']).apply(lambda x:x.mean())

输出：

                             operating_mgn_fym5  operating_mgn_fym4 operating_mgn_fym3 operating_mgn_fym2   
period_id gic_subindustry_id                                             
201509    45202030            1.622685  0.754661   0.755324  321.295665  
          45203010            1.447686  0.226571   0.334280   12.564398  
          45203015            0.733524  0.257581   0.345450   27.659407  
          45203020            1.322349  0.655481   0.468740   19.823722  
          45203030            1.461916  1.181407   1.487330   16.598534  
          45301010            2.074954  0.981030   0.841125   29.423161  
          45301020            2.621158  1.235087   1.550252   82.717147

事实上，这要快得多（30 - 60秒）。

然而，我正在努力弄清楚如何将NaN映射到这些方法。事实上，这是正确的＆＃39;执行此映射的方式？速度实际上并不是最重要的，但是＆lt; 60秒会很好。

Answer 1

如果数据框具有相同的结构（由fillna给出），则可以使用分组结果as_index=False：

df.fillna(df.groupby(['period_id', 'gic_subindustry_id'], as_index=False).mean())

#In [60]: df
#Out[60]: 
#   period_id  gic_subindustry_id  operating_mgn_fym5  operating_mgn_fym4
#0     201508            25502020           27.688324           22.969760
#1     201508            45102020           17.956425           18.327724
#2     201508            45202020                 NaN           27.145216
#3     201509            20101010           10.228725           14.087442
#4     201509            25101010           13.348150           11.745965
#5     201509            25502020           15.598956           11.658813
#6     201509            50101010           27.858305           28.378040
#7     201508            45102020           17.956425           18.327724

对于给定的分组，Pandas将nan替换为平均值

1 个答案: