熊猫：在每组中按平均值填充缺失值
Posted
技术标签:
【中文标题】熊猫：在每组中按平均值填充缺失值【英文标题】：Pandas: filling missing values by mean in each group 【发布时间】：2021-11-28 15:09:09 【问题描述】：这应该很简单，但我发现最接近的是这篇文章： pandas: Filling missing values within a group，还是解决不了我的问题....
假设我有以下数据框
df = pd.DataFrame('value': [1, np.nan, np.nan, 2, 3, 1, 3, np.nan, 3], 'name': ['A','A', 'B','B','B','B', 'C','C','C'])
name value
0 A 1
1 A NaN
2 B NaN
3 B 2
4 B 3
5 B 1
6 C 3
7 C NaN
8 C 3
我想在每个“名称”组中用平均值填写“NaN”，即
name value
0 A 1
1 A 1
2 B 2
3 B 2
4 B 3
5 B 1
6 C 3
7 C 3
8 C 3
我不知道该去哪里：
grouped = df.groupby('name').mean()
非常感谢。
【问题讨论】：
【参考方案1】：一种方法是使用transform:
>>> df
name value
0 A 1
1 A NaN
2 B NaN
3 B 2
4 B 3
5 B 1
6 C 3
7 C NaN
8 C 3
>>> df["value"] = df.groupby("name").transform(lambda x: x.fillna(x.mean()))
>>> df
name value
0 A 1
1 A 1
2 B 2
3 B 2
4 B 3
5 B 1
6 C 3
7 C 3
8 C 3
【讨论】：
我发现在开始坐下来阅读文档时很有帮助。这个在groupby 部分中有介绍。要记住的东西太多了，但是您会选择诸如“转换用于您希望像原始帧一样索引的每组操作”之类的规则。
还可以查找 Wes McKinney 的书。我个人认为 groupby 上的文档很糟糕，这本书稍微好一点。
如果你有两个以上的列，请确保指定列名 df["value"] = df.groupby("name").transform(lambda x: x.fillna(x. mean()))['值']
@Lauren 好点。我想补充一点，出于性能原因，您可能会考虑将值列规范进一步向左移动到 group-by 子句。这样，lambda 函数只针对该特定列中的值调用，而不是每一列然后选择列。做了一个测试，使用两列时速度是原来的两倍。当然，不需要估算的列越多，性能就会越好：df["value"] = df.groupby("name")["value"].transform(lambda x: x.fillna(x.mean()))
我一直在寻找这个两天..只是一个问题给你。为什么用循环来做这件事太难了？因为在我的情况下，有两个多索引，即State 和Age_Group，所以我试图用组平均值填充这些组中的缺失值（从同一年龄组内的相同状态取平均值并填充组中的缺失值）。 .谢谢【参考方案2】：
fillna + groupby + transform + mean
这看起来很直观：
df['value'] = df['value'].fillna(df.groupby('name')['value'].transform('mean'))
groupby + transform 语法将分组均值映射到原始数据帧的索引。这大致相当于@DSM's solution，但避免了定义匿名lambda 函数的需要。
【讨论】：
谢谢！，我发现 lambda 函数有点令人困惑，而你的更容易理解。 不错的解决方案。我的 groupby 返回 73k 组。所以换句话说，它需要找到 73k 组的平均值，以便为每个组填写 NA 值。我主要关心的是时间，因为我想轻松地将其扩展到超过 73k 组。 lambda 解决方案需要 21.39 秒才能完成，而此解决方案需要 0.27 秒。强烈推荐使用这个解决方案！ df = df.fillna(df.groupby('name').transform('mean')) 是否对所有列都成功执行此操作？我正在使用它，它看起来不错，但我担心我做错了什么，就像这里的每列都做的那样？【参考方案3】：@DSM 为 IMO 提供了正确答案，但我想分享我对问题的概括和优化：Multiple columns to group-by and have multiple value columns：
df = pd.DataFrame(
'category': ['X', 'X', 'X', 'X', 'X', 'X', 'Y', 'Y', 'Y'],
'name': ['A','A', 'B','B','B','B', 'C','C','C'],
'other_value': [10, np.nan, np.nan, 20, 30, 10, 30, np.nan, 30],
'value': [1, np.nan, np.nan, 2, 3, 1, 3, np.nan, 3],
)
...给...
category name other_value value
0 X A 10.0 1.0
1 X A NaN NaN
2 X B NaN NaN
3 X B 20.0 2.0
4 X B 30.0 3.0
5 X B 10.0 1.0
6 Y C 30.0 3.0
7 Y C NaN NaN
8 Y C 30.0 3.0
在这种广义情况下，我们希望按category 和name 分组，并仅对value 进行估算。
可以这样解决：
df['value'] = df.groupby(['category', 'name'])['value']\
.transform(lambda x: x.fillna(x.mean()))
注意 group-by 子句中的列列表，我们在 group-by 之后选择了 value 列。这使得转换仅在该特定列上运行。您可以将其添加到末尾，但随后您将对所有列运行它，仅在最后丢弃除一个度量列之外的所有列。标准的 SQL 查询规划器可能已经能够对此进行优化，但 pandas (0.19.2) 似乎没有这样做。
通过增加数据集进行性能测试...
big_df = None
for _ in range(10000):
if big_df is None:
big_df = df.copy()
else:
big_df = pd.concat([big_df, df])
df = big_df
...确认这会增加与您不必估算的列数成正比的速度：
import pandas as pd
from datetime import datetime
def generate_data():
...
t = datetime.now()
df = generate_data()
df['value'] = df.groupby(['category', 'name'])['value']\
.transform(lambda x: x.fillna(x.mean()))
print(datetime.now()-t)
# 0:00:00.016012
t = datetime.now()
df = generate_data()
df["value"] = df.groupby(['category', 'name'])\
.transform(lambda x: x.fillna(x.mean()))['value']
print(datetime.now()-t)
# 0:00:00.030022
最后一点，如果您想估算多个列，但不是全部，您可以进一步概括：
df[['value', 'other_value']] = df.groupby(['category', 'name'])['value', 'other_value']\
.transform(lambda x: x.fillna(x.mean()))
【讨论】：
感谢您的出色工作。我想知道如何使用for 循环成功完成相同的转换。速度不是我关心的问题，因为我正在尝试寻找手动方法。谢谢@AndréC.Andersen【参考方案4】：
快捷方式：
Groupby + Apply + Lambda + Fillna + Mean
>>> df['value1']=df.groupby('name')['value'].apply(lambda x:x.fillna(x.mean()))
>>> df.isnull().sum().sum()
0
如果您想按多列分组以替换缺失值，此解决方案仍然有效。
>>> df = pd.DataFrame('value': [1, np.nan, np.nan, 2, 3, np.nan,np.nan, 4, 3],
'name': ['A','A', 'B','B','B','B', 'C','C','C'],'class':list('ppqqrrsss'))
>>> df['value']=df.groupby(['name','class'])['value'].apply(lambda x:x.fillna(x.mean()))
>>> df
value name class
0 1.0 A p
1 1.0 A p
2 2.0 B q
3 2.0 B q
4 3.0 B r
5 3.0 B r
6 3.5 C s
7 4.0 C s
8 3.0 C s
【讨论】：
【参考方案5】：我会这样做
df.loc[df.value.isnull(), 'value'] = df.groupby('group').value.transform('mean')
【讨论】：
与df['value_imputed'] = np.where(df.value.isnull(), df.groupby('group').value.transform('mean'), df.value)略有不同的版本【参考方案6】：
精选的高排名答案仅适用于只有两列的熊猫数据框。如果您有更多列的情况，请改用：
df['Crude_Birth_rate'] = df.groupby("continent").Crude_Birth_rate.transform(
lambda x: x.fillna(x.mean()))
【讨论】：
这个答案对我有用，谢谢。同样对于熊猫新手，也可以使用切片符号df.groupby("continent")['Crude_Birth_rate']... 进行索引，我相信这是建议的约定【参考方案7】：
def groupMeanValue(group):
group['value'] = group['value'].fillna(group['value'].mean())
return group
dft = df.groupby("name").transform(groupMeanValue)
【讨论】：
【参考方案8】：总结以上所有关于可能解决方案的效率 我有一个包含 97 906 行和 48 列的数据集。 我想用每组的中位数填写 4 列。 我要分组的列有 26 200 个组。
第一种解决方案
start = time.time()
x = df_merged[continuous_variables].fillna(df_merged.groupby('domain_userid')[continuous_variables].transform('median'))
print(time.time() - start)
0.10429811477661133 seconds
第二种方案
start = time.time()
for col in continuous_variables:
df_merged.loc[df_merged[col].isnull(), col] = df_merged.groupby('domain_userid')[col].transform('median')
print(time.time() - start)
0.5098445415496826 seconds
由于运行时间过长，我只对子集执行了下一个解决方案。
start = time.time()
for col in continuous_variables:
x = df_merged.head(10000).groupby('domain_userid')[col].transform(lambda x: x.fillna(x.median()))
print(time.time() - start)
11.685635566711426 seconds
下面的解决方案跟上面的逻辑是一样的。
start = time.time()
x = df_merged.head(10000).groupby('domain_userid')[continuous_variables].transform(lambda x: x.fillna(x.median()))
print(time.time() - start)
42.630549907684326 seconds
所以选择正确的方法非常重要。 请记住，我注意到一旦列不是数字，时间就会呈指数级增长（因为我正在计算中位数，所以这是有道理的）。
【讨论】：
【参考方案9】：df.fillna(df.groupby(['name'], as_index=False).mean(), inplace=True)
【讨论】：
请对你的回答做一些解释。为什么从 google 偶然发现此页面的人会使用您的解决方案而不是其他 6 个答案？ @vino 请添加一些解释【参考方案10】：您也可以使用"dataframe or table_name".apply(lambda x: x.fillna(x.mean()))。
【讨论】：
以上是关于熊猫：在每组中按平均值填充缺失值的主要内容，如果未能解决你的问题，请参考以下文章