我的数据框包含数百列。幸运的是,可以将它们分为具有常规列名称的两个大组。组1包含列Pdc,Pdc.1,Pdc.2 .... Pdc.250。组2由Pac,Pac.1。,Pac.2 .... Pac.250组成。请注意,每个组的第一列均不包含后缀号。

我想使用以下规则填充所有NaN,无论它们在哪里:
组1中某列的任何行(目标列和行)中的NaN将用组2中某列的值填充,其顺序相同(源列和行)乘以目标列均值除以均值源列。

例如,为了简化起见,如果NaN位于Pdc.25第10行(第1组)中,则应使用以下内容填充:
Pdc.25第10行= Pac.25第10行*(平均值Pdc.25 /平均值Pac.25)

如果NaN在第2组中,则公式如下:
Pac.30第15行= Pdc.30第15行*(平均Pac.30 /平均Pdc.30)

我编写以下代码:

df['Pdc.25'] = (df['Pdc.25'].fillna(df['Pac.25']*((df['Pdc.25'].mean()/df['Pac.25'].mean())))).to_frame()
df['Pac.30'] = (df['Pac.30'].fillna(df['Pdc.30']*((df['Pac.30'].mean()/df['Pdc.30'].mean())))).to_frame()


上面的代码可以正常工作,但是对于500列,我必须写500行方程。

是否知道如何简化操作(例如,通过自动定位NaN并根据规则填充它们)?

感谢您关注我的问题。

最佳答案

根据给定的命名约定,确保对列进行排序并使用.values对齐操作。可以使用.where填充所有内容。如果您想在缺少列的情况下更加安全(例如,您拥有Pac.31,但没有Pdc.31),请映射操作的列名,以确保对齐。

import pandas as pd
#df = df.sort_index(axis=1)

pac = df.filter(like='Pac')
pdc = df.filter(like='Pdc')

df_res = pd.concat([pac.where(pac.notnull(), pdc.multiply(pac.mean().div(pdc.mean().values).values).values),
                    pdc.where(pdc.notnull(), pac.multiply(pdc.mean().div(pac.mean().values).values).values)
                    ], axis=1)


输出df_res

        Pac  Pac.1     Pac.2       Pdc     Pdc.1  Pdc.2
0  1.000000    6.0  3.000000  1.285714  4.952381    2.0
1  1.555556    1.0  2.000000  2.000000  2.000000    1.0
2  7.000000    6.0  3.714286  7.000000  4.952381    3.0
3  6.000000    7.0  5.000000  5.000000  5.000000    7.0
4  5.000000    2.0  3.714286  6.000000  1.650794    3.0
5  2.000000    7.0  4.000000  7.000000  5.000000    1.0
6  3.000000    4.0  3.000000  4.000000  1.000000    1.0
7  1.000000    5.0  3.000000  1.285714  7.000000    3.0
8  5.000000    5.0  6.000000  4.000000  5.000000    6.0
9  5.000000    2.0  3.714286  6.428571  1.000000    3.0


样本数据

import numpy as np
df = pd.DataFrame(np.random.choice([1,2,3,4,5,6,7, np.NaN], (10,6)),
                  columns = ['Pdc', 'Pdc.1', 'Pdc.2', 'Pac', 'Pac.1', 'Pac.2'])

   Pdc  Pdc.1  Pdc.2  Pac  Pac.1  Pac.2
0  NaN    NaN    2.0  1.0    6.0    3.0
1  2.0    2.0    1.0  NaN    1.0    2.0
2  7.0    NaN    3.0  7.0    6.0    NaN
3  5.0    5.0    7.0  6.0    7.0    5.0
4  6.0    NaN    3.0  5.0    2.0    NaN
5  7.0    5.0    1.0  2.0    7.0    4.0
6  4.0    1.0    1.0  3.0    4.0    3.0
7  NaN    7.0    3.0  1.0    5.0    3.0
8  4.0    5.0    6.0  5.0    5.0    6.0
9  NaN    1.0    3.0  5.0    2.0    NaN




说明:

第一步是对列进行排序,然后进行过滤以查找以字符串'Pac''Pdc'开头的列。由于我们对索引进行了排序,因此可以保证顺序一致(只要组中的后缀组相同)

df = df.sort_index(axis=1)
pac = df.filter(like='Pac')
pdc = df.filter(like='Pdc')

print(pac.head(3))
#   Pac  Pac.1  Pac.2
#0  1.0    6.0    3.0
#1  NaN    1.0    2.0
#2  7.0    6.0    NaN

print(pdc.head(3))
#   Pdc  Pdc.1  Pdc.2
#0  NaN    NaN    2.0
#1  2.0    2.0    1.0
#2  7.0    NaN    3.0


现在我们可以做数学了。忽略.fillna逻辑,只考虑计算我们将为所有内容填充的内容。 DataFrame操作在索引(行和列)上对齐。您可以看到pacpdc共享行索引,但是列索引(列名)不同,这会引起问题:

pac.mean()
#Pac      3.888889
#Pac.1    4.500000
#Pac.2    3.714286
#dtype: float64

pdc.mean()
#Pdc      5.000000
#Pdc.1    3.714286
#Pdc.2    3.000000
#dtype: float64

pac.mean().div(pdc.mean())
#Pac     NaN
#Pac.1   NaN
#Pac.2   NaN
#Pdc     NaN
#Pdc.1   NaN
#Pdc.2   NaN


但是,由于我们之前进行了排序,因此可以看到values是对齐的,因此我们可以安全地划分每一列,这意味着可以访问values数组。这给出了每个Pac列的平均值除以相应的Pdc列的平均值。

pac.mean().div(pdc.mean().values)
#Pac      0.777778
#Pac.1    1.211538
#Pac.2    1.238095
#dtype: float64


乘法具有相同的对齐问题,因此再次访问这些值,现在这给我们一个DataFrame,形状与子集相同,如果值为null,则应填充该值:

pdc.multiply(pac.mean().div(pdc.mean().values).values)
#        Pdc     Pdc.1     Pdc.2
#0       NaN       NaN  2.476190
#1  1.555556  2.423077  1.238095
#...


最后,由于我们有两个fillna,因此where逻辑由DataFrames完成:

pac.where(pac.notnull(), pdc.multiply(pac.mean().div(pdc.mean().values).values).values)


可以理解为“在pac中使用不为空的值,否则使用计算中的值”,这正是我们想要的。同样,我们需要为.values的“ other”(第二个参数)访问where,因为列名也不相同,但是值是对齐的。

分别对每个组执行此操作,然后将其重新加入。

关于python - 通过检测NaN的出现位置,通过其他列的数学运算将NaN填充到一列中,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/54830897/

10-12 16:53