该代码有效-将每一列设置为其均值：
def setSerNanToMean(serAll):
return serAll.replace(np.NaN, serAll.mean())
def setPdfNanToMean(pdfAll, listCols):
pdfAll.ix[:,listCols] = pdfAll.ix[:,listCols].apply(setSerNanToMean)
setPdfNanToMean(pdfAll, [1,2,3,4])
此代码不起作用：
def setSerNanToMean(serAll):
return serAll.replace(np.NaN, serAll.mean())
def setPdfNanToMean(pdfAll, listCols):
pdfAll.ix[:,listCols].apply(setSerNanToMean) # This line has changed!
setPdfNanToMean(pdfAll, [1,2,3,4])
为什么第二段代码不起作用？ DataFrame.apply（）是否默认为就位？ apply函数没有inplace参数。如果不能正常使用，这是否会使熊猫成为一个糟糕的内存处理程序？在这种情况下，所有熊猫数据框操作都可以复制所有内容吗？只是就地做会更好吗？即使它不是默认设置为inplace，它也不应该像replace（）那样提供inplace参数吗？
我不是在寻找特定的答案，而是在寻求一般的理解。同样，这些代码块之一可以工作，因此我可以继续前进，但是我真正想做的是了解熊猫如何处理内存对象的操纵。我有麦金尼的书，因此非常欢迎页面引用，因此您不必输入太多。
最佳答案
不，申请不适用于就地*。
这是给您的另一个提示：inplace标志实际上并不意味着实际上发生的任何功能就在内部（！）。举个例子：
In [11]: s = pd.Series([1, 2, np.nan, 4])
In [12]: s._data._values
Out[12]: array([ 1., 2., nan, 4.])
In [13]: vals = s._data._values
In [14]: s.fillna(s.mean(), inplace=True)
In [15]: vals is s._data._values # values are the same
Out[15]: True
In [16]: vals
Out[16]: array([ 1. , 2. , 2.33333333, 4. ])
In [21]: s = pd.Series([1, 2, np.nan, 4]) # start again
In [22]: vals = s._data._values
In [23]: s.fillna('mean', inplace=True)
In [24]: vals is s._data._values # values are *not* the same
Out[24]: False
In [25]: s._data._values
Out[25]: array([1.0, 2.0, 'mean', 4.0], dtype=object)
注意：通常，如果类型相同，则values数组也是如此，但是pandas不能保证这一点。
通常，apply的速度很慢（因为您基本上是遍历python中的每一行），“游戏”是根据pandas / numpy本机函数和索引来重写该函数。如果您想深入了解内部细节，请查看core / internals.py中的BlockManager，这是保存基础numpy数组的对象。但老实说，我认为您最有用的工具是
%timeit，并查看特定功能的源代码（ipython中的??）。在此特定示例中，我将考虑在想要的列的显式for循环中使用fillna：
In [31]: df = pd.DataFrame([[1, 2, np.nan], [4, np.nan, 6]], columns=['A', 'B', 'C'])
In [32]: for col in ["A", "B"]:
....: df[col].fillna(df[col].mean(), inplace=True)
....:
In [33]: df
Out[33]:
A B C
0 1 2 NaN
1 4 2 6
（对于fillna在此用例中使用column参数是否有意义？）
所有这一切并不是说熊猫的内存效率低下……但是有时必须考虑有效的（和内存有效的）代码。
*应用通常不会就地有意义（而IMO很少会希望此行为）。