python - 如何根据 Pandas 中出现次数最多的组合填写值？

Question

我有一个巨大的 df，看起来像这样 -

...   ||    City     ||  Country
           Newyork        USA
           Newyork        USA
           Newyork        USA
           Newyork        **unknown**
           delhi          india
           delhi          **unknown**
           delhi          india

现在，我想根据已经匹配的城市用正确的国家/地区填充未知数。例如，大多数带有 newyork 的行在 country 列中都是 USA。

我的想法是按国家/地区分组并将其转换为字典以进行映射，但这种做法失败了。

Here's a simillar question asked but the solution is in R: Fill missing value based on probability of occurrence

Answer 1

您可以使用 value_counts第一个索引或第一个值为 mode每组 replace:

def f(x):
    #remove '**unknown**' rows and get top1 value
    return x.replace('**unknown**', x[x.ne('**unknown**')].value_counts().index[0])
    #return x.replace('**unknown**', x[x.ne('**unknown**')].mode().iat[0])

df['Country'] = df.groupby('City')['Country'].apply(f)
print (df)
      City Country
0  Newyork     USA
1  Newyork     USA
2  Newyork     USA
3  Newyork     USA
4    delhi   india
5    delhi   india
6    delhi   india

另一种解决方案是将 **unknown** 替换为缺失值，获取最高值和 fillna :

df['Country'] = df['Country'].replace('**unknown**', np.nan)

s = df.groupby('City')['Country'].transform(lambda x: x.value_counts().index[0])
#alternative
#s = df.groupby('City')['Country'].transform(lambda x: x.mode().iat[0])
df['Country'] = df['Country'].fillna(s)
print (df)
      City Country
0  Newyork     USA
1  Newyork     USA
2  Newyork     USA
3  Newyork     USA
4    delhi   india
5    delhi   india
6    delhi   india