基于另一列的平均值填充一列的值

Question

我有一个熊猫数据帧。我试图根据区段列中相应级别的平均价格来填充价格列的nans。什么是一个高效而优雅的方法来做到这一点？我的数据看起来像这样

Name   Sex  Section  Price
Joe     M      1       2
Bob     M      1       nan
Nancy   F      2       5
Grace   F      1       6
Jen     F      2       3
Paul    M      2       nan

Answer 1

所谓“相应的水平”，我假设你的意思是相等的截面值。在

如果是这样，你可以通过

for section_value in sorted(set(df.Section)):

    df.loc[df['Section']==section_value, 'Price'] = df.loc[df['Section']==section_value, 'Price'].fillna(df.loc[df['Section']==section_value, 'Price'].mean())

希望有帮助！和平

Answer 2

您可以使用组合groupby、transform和{}。请注意，我已经修改了您的示例，否则这两个部分的平均值相同。从开始

In [21]: df
Out[21]: 
    Name Sex  Section  Price
0    Joe   M        1    2.0
1    Bob   M        1    NaN
2  Nancy   F        2    5.0
3  Grace   F        1    6.0
4    Jen   F        2   10.0
5   Paul   M        2    NaN

我们可以利用

^{pr2}$

生产

In [23]: df
Out[23]: 
    Name Sex  Section  Price
0    Joe   M        1    2.0
1    Bob   M        1    4.0
2  Nancy   F        2    5.0
3  Grace   F        1    6.0
4    Jen   F        2   10.0
5   Paul   M        2    7.5

---

这是因为我们可以通过截面计算平均值：

In [29]: df.groupby("Section")["Price"].mean()
Out[29]: 
Section
1    4.0
2    7.5
Name: Price, dtype: float64

并将此广播回一个完整的系列，我们可以使用transform传递给fillna（）：

In [30]: df.groupby("Section")["Price"].transform("mean")
Out[30]: 
0    4.0
1    4.0
2    7.5
3    4.0
4    7.5
5    7.5
Name: Price, dtype: float64

Answer 3

pandas外科手术，但速度较慢

请参阅@DSM的答案以获得更快的pandas解决方案

这是一种更为外科手术的方法，可能提供一些视角，可能有用

• 使用groupyby

  • 为每个Section计算我们的mean

    means = df.groupby('Section').Price.mean()
    

• 识别空值

  • 使用isnull可用于布尔切片

    nulls = df.Price.isnull()
    

• 使用map

  • 对Section列进行切片，将其限制为空Price的行

    fills = df.Section[nulls].map(means)
    

• 使用loc

  • 只填充df中有空的地方

    df.loc[nulls, 'Price'] = fills
    

---

一起

means = df.groupby('Section').Price.mean()
nulls = df.Price.isnull()
fills = df.Section[nulls].map(means)
df.loc[nulls, 'Price'] = fills

print(df)

    Name Sex  Section  Price
0    Joe   M        1    2.0
1    Bob   M        1    4.0
2  Nancy   F        2    5.0
3  Grace   F        1    6.0
4    Jen   F        2   10.0
5   Paul   M        2    7.5