Question

我知道这不再受支持了，但是，特别是来自SQL背景，我发现它令人难以置信，令人难以置信，令人难以置信（我提到了令人难以置信的？）荒谬。我处理的几乎所有数据都碰巧有nans / nulls，对我来说理解这种情况非常重要，以及我的数据中有多少空值。

有没有办法绕过这个？我能想到的唯一解决方案是：

用其他值替换空值
将我想要运行的聚合函数的结果保存到单独的数据框
重置索引（如果索引可以为null，则不清楚）
将'其他一些价值'改回纳

然而，这会带来许多问题：不仅麻烦，而且还需要用数据中尚未存在的值替换nans。有没有人有更好的方法来做到这一点？

是的，我知道问了同样的问题（groupby columns with NaN (missing) values），但几年前，所以我想知道是否有新的解决方案同时出现。

此外，文档提到这种行为与R一致，但这并不完全正确，因为R有一个选项不要省略nans，而pandas则没有。

我已经汇总了一个我的意思的简单例子：

import pandas as pd
import numpy as np

df=pd.DataFrame()
df['id']= np.repeat( [1,2],3 )
df['x']=1
df.ix[0,'id'] = np.nan

print df

gr = df.groupby('id')

print gr.count()

df['id'].fillna(999, inplace=True)

newgr = df.groupby('id')


#changing groups doesn't seem to have any effect:
newgr.groups[np.nan] = newgr.groups.pop(999)

print 'After the change:'
print newgr.groups
print newgr.count()
print 'id still shows up as 999'

print 'Instead, I can change the final output:'

mycount = newgr.count().reset_index()
mycount.ix[mycount['id'] == 999, 'id'  ] = np.nan
print mycount

pandas：如何通过带有nans的列进行分组时显示nans？

0 个答案: