[英]How to impute missing values based on other variables
我有一个 dataframe 如下所示:
df = pd.DataFrame({'one' : pd.Series(['a', 'b', 'c', 'd','aa','bb',np.nan,'b','c',np.nan, np.nan] ),
'two' : pd.Series([10, 20, 30, 40,50,60,10,20,30,40,50])} )
其中第一列是变量,第二列是值。 变量值是恒定的,永远不会改变。
例如'a' 的值为 10 ,每当出现 'a' 时,对应的值为 10
这里第一列中缺少一些值,例如:NaN 10 是 a,NaN 40 是明智的 dataframe 包含 200 个变量。
值不是连续变量,它们是离散且不可排序的
在这种情况下,我们如何估算缺失值。 预期的 output 应该是:
请帮助我。
问候,文卡特。
我认为总的来说,分组和填充会更好。 我们使用DataFrame.groupby
:
df.groupby('two').apply(lambda x: x.ffill().bfill())
它可以在不使用 groupby 的情况下完成,但您必须按两列排序:
df.sort_values(['two','one']).ffill().sort_index()
下面我向您展示另一个答案中提出的方法可能会失败:
这是一个例子:
df=pd.DataFrame({'one':['a',np.nan,'c','d',np.nan,'c','b','b',np.nan,'a'],'two':[10,20,30,40,10,30,20,20,30,10]})
print(df)
one two
0 a 10
1 NaN 20
2 c 30
3 d 40
4 NaN 10
5 c 30
6 b 20
7 b 20
8 NaN 30
9 a 10
df.sort_values(['two']).fillna(method='ffill').sort_index()
one two
0 a 10
1 a 20
2 c 30
3 d 40
4 a 10
5 c 30
6 b 20
7 b 20
8 c 30
9 a 10
如您所见,另一个答案中的建议方法在此处失败(请参见第 1 行)。 发生这种情况是因为某些 NaN 值可能是列“二”的特定值的第一个值,并用上一组的值填充。
如果我们先分组,则不会发生这种情况:
df.groupby('two').apply(lambda x: x.ffill().bfill())
one two
0 a 10
1 b 20
2 c 30
3 d 40
4 a 10
5 c 30
6 b 20
7 b 20
8 c 30
9 a 10
正如我所说,我们可以使用DataFrame.sort_values
但我们需要对两列进行排序。 我推荐你这个方法。
df.sort_values(['two','one']).ffill().sort_index()
one two
0 a 10
1 b 20
2 c 30
3 d 40
4 a 10
5 c 30
6 b 20
7 b 20
8 c 30
9 a 10
这里是:
df.ffill(inplace=True)
output:
one two
0 a 10
1 b 20
2 c 30
3 d 40
4 aa 50
5 bb 60
6 a 10
7 b 20
8 c 30
9 d 40
10 aa 50
尝试这个:
df = df.sort_values(['two']).fillna(method='ffill').sort_index()
哪个会给你
one two
0 a 10
1 b 20
2 c 30
3 d 40
4 aa 50
5 bb 60
6 a 10
7 b 20
8 c 30
9 d 40
10 aa 50
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.