Python Pandas实现数据分组求平均值并填充nan的示例

Python实现按某一列关键字分组，并计算各列的平均值，并用该值填充该分类该列的nan值。Dat

Python实现按某一列关键字分组，并计算各列的平均值，并用该值填充该分类该列的nan值。

DataFrame数据格式

fillna方式实现

groupby方式实现

DataFrame数据格式

以下是数据存储形式：

fillna方式实现

1、按照industryName1列，筛选出业绩

2、筛选出相同行业的Series

3、计算平均值mean，采用fillna函数填充

4、append到新DataFrame中

5、循环遍历行业名称，完成2,3,4步骤

factordatafillna = pd.DataFrame()
industrys = newfactordata1.industryName1.unique()
for ind in industrys:
 t = newfactordata1.industryName1 == ind
 a = newfactordata1[t].fillna(newfactordata1[t].mean())
 factordatafillna = factordatafillna.append(a)

groupby方式实现

采用groupby计算，详细见代码注释

df = pd.DataFrame({'code':[1,2,3,4,5,6,7,8],
 'value':[np.nan,5,7,8,9,10,11,12], 
 'value2':[5,np.nan,7,np.nan,9,10,11,12],
 'indstry':['农业1','农业1','农业1','农业2','农业2','农业4','农业2','农业3']},
 columns=['code','value','value2','indstry'],
 index=list('ABCDEFGH'))

# 只留下需要处理的列
cols = [col for col in df.columns if col not in['code','indstry']]
# 分组的列
gp_col = 'indstry'
# 查询nan的列
df_na = df[cols].isna()
# 根据分组计算平均值
df_mean = df.groupby(gp_col)[cols].mean()

print(df)

# 依次处理每一列
for col in cols:
 na_series = df_na[col]
 names = list(df.loc[na_series,gp_col]) 

 t = df_mean.loc[names,col]
 t.index = df.loc[na_series,col].index

 # 相同的index进行赋值 
 df.loc[na_series,col] = t

print(df)

code value value2 indstry
A 1 NaN 5.0 农业1
B 2 5.0 NaN 农业1
C 3 7.0 7.0 农业1
D 4 8.0 NaN 农业2
E 5 9.0 9.0 农业2
F 6 10.0 10.0 农业4
G 7 11.0 11.0 农业2
H 8 12.0 12.0 农业3
 code value value2 indstry
A 1 6.0 5.0 农业1
B 2 5.0 6.0 农业1
C 3 7.0 7.0 农业1
D 4 8.0 10.0 农业2
E 5 9.0 9.0 农业2
F 6 10.0 10.0 农业4
G 7 11.0 11.0 农业2
H 8 12.0 12.0 农业3

以上这篇Python Pandas实现数据分组求平均值并填充nan的示例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。

Python Pandas 数据分组 平均值 填充nan