我的dataframe包含数百列。幸运的是,它们可以分为两个带有常规列名称的大组。第1组包含列PDC,PDC.1,PDC.2 .... PDC.250。第2组由PAC,Pac.1。,Pac.2 .... Pac.250组成。请注意,每个组的第一列没有后缀号码。
我想使用以下规则来填补所有NAN,无论他们身在何处:
从组1(目标列和行)的任何一行中的NAN中,将在第2组中的列中填充值相同的订单(源列和行)乘以目标列的平均值除以平均值源列的。
使其简单,例如,如果NAN在PDC.25第10行(第1组)中,则应通过:
填充。PDC.25行10 = PAC.25行10 *(平均PDC.25/均值PAC.25)
如果NAN在第2组中,则是公式:
PAC.30行15 = PDC.30第15 *(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()
上面的代码正常工作,但是对于500列,我必须编写500行等式。
例如,通过自动找到NAN并根据规则填充NAN的任何想法?
感谢您查看我的问题。
确保对列进行排序,并使用 .values
对准操作,鉴于您的命名约定。可以使用.where
填充所有内容。如果您想在缺少列的情况下更安全(即您有PAC.31但没有PDC.31),则可以映射操作的列名,以保证对齐。
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,然后过滤寻找以字符串'Pac'
或'Pdc'
开头的列。由于我们对索引进行了排序,因此保证订购是一致的(只要组中的后缀集相同)
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。忽略.fillna
逻辑,只需考虑计算我们将填充的内容> everything 即可。DataFrame
操作在索引上对齐(行和列)。您可以看到pac
和pdc
共享行索引,但是列索引(列名)不同,这会导致问题:
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,由于我们以前已经排序,因此我们可以看到values
对齐,因此我们安全地将每个列分开意味着访问值数组。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
乘法存在相同的对齐问题,因此再次访问值,现在这给我们一个DataFrame
,与子集相同的形状,如果值为null,则应填写的内容:
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,fillna
逻辑是用where
完成的,因为我们有两个DataFrames
:
pac.where(pac.notnull(), pdc.multiply(pac.mean().div(pdc.mean().values).values).values)
可以读取为"使用pAC中的值不为null,否则使用计算中的值",这正是我们想要的。同样,我们需要访问 where
的"其他"(第二个参数)的.values
,因为列名再次不相同,但值是对齐的。
单独为每个组做这个,然后加入它们。