如何用每组中出现频率最高的值填充DataFrame中缺失的值?
问题描述
我有一个包含两列的 pandas DataFrame:toy
和color
。color
列包含缺少的值。
如何用该特定toy
最频繁的color
值填充缺失的color
值?
以下是创建示例数据集的代码:
import pandas as pd
import numpy as np
df = pd.DataFrame({
'toy':['car'] * 4 + ['train'] * 5 + ['ball'] * 3 + ['truck'],
'color':['red', 'blue', 'blue', np.nan, 'green', np.nan,
'red', 'red', np.nan, 'blue', 'red', np.nan, 'green']
})
以下是示例数据集:
toy color
0 car red
1 car blue
2 car blue
3 car NaN
4 train green
5 train NaN
6 train red
7 train red
8 train NaN
9 ball blue
10 ball red
11 ball NaN
12 truck green
以下是所需结果:
- 将第一个NaN替换为蓝色,因为这是汽车中最常见的
color
。 - 将第二个和第三个NaN替换为红色,因为这是列车中最常见的
color
。 - 将第四个NaN替换为蓝色或红色,因为它们是并列的
color
。
真实数据集备注:
- 有许多不同的
toy
类型(不只是四种)。 - 没有只有
color
缺少值的toy
类型,因此答案不需要处理这种情况。
This question是相关的,但它没有回答我如何使用最频繁的值来填充缺少的值的问题。
解决方案
可以使用groupby()
+transform()
+fillna()
:
df['color']=df['color'].fillna(df.groupby('toy')['color'].transform(lambda x:x.mode().iat[0]))
或
如果要在有2个或更多频繁值时选择随机值:
from random import choice
df['color']=df['color'].fillna(df.groupby('toy')['color'].transform(lambda x:choice(x.mode())))
相关文章