python - 通过检测 NaN 出现的位置，对其他列进行数学运算，将 NaN 填充到列中

Question

我的数据框包含数百列。幸运的是，它们可以分为两大组，并具有常规的列名称。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，每组的第一列不包含后缀号。

我想使用以下规则填充所有 NaN，无论它们在哪里:
第 1 组(目标列和行)中的列的任何行中的 NaN 都将使用第 2 组中具有相同顺序(源列和行)的列的值乘以目标列的平均值除以平均值来填充源列的。

为了简单起见，例如，如果 NaN 位于 Pdc.25 第 10 行(第 1 组)，则应填充为:
Pdc.25 第 10 行 = Pac.25 第 10 行 *(平均 Pdc.25/平均 Pac.25)

如果 NaN 在第 2 组中，则公式如下:
Pac.30 第 15 行 = Pdc.30 第 15 行 *(平均 Pac.30/平均 Pdc.30)

我编写了以下代码:

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()

上面的代码运行得很好，但是对于 500 列，我必须编写 500 行方程。

是否知道如何使其变得简单，例如，自动定位 NaN 并根据规则填充它们？

感谢您查看我的问题。

Answer 1

确保列已排序，并根据您的命名约定使用 .values 来对齐操作。可以使用 .where 来填充所有内容。如果您希望在缺少列的情况下更安全(即您有 Pac.31 但没有 Pdc.31)，请映射操作的列名称，以便保证对齐。

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

示例数据

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

<小时/>

说明:

第一步是对列进行排序，然后过滤查找以字符串 'Pac' 或 'Pdc' 开头的列。由于我们对索引进行了排序，这保证了排序是一致的(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

现在我们可以计算一下。忽略 .fillna 逻辑，只考虑计算我们将为所有内容填充的内容。 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，但列索引(列名称)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，因为我们之前已排序，所以我们可以看到值是对齐的，因此我们安全地划分每列意味着访问值数组。这给出了每个 Pac 列的平均值除以相应 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

乘法也有同样的对齐问题，所以再次访问这些值，现在这给了我们一个 DataFrame，与子集的形状相同，如果值为空，我们应该填充什么:

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 逻辑是通过 where 完成的，因为我们有两个 DataFrame:

pac.where(pac.notnull(), pdc.multiply(pac.mean().div(pdc.mean().values).values).values)

可以理解为“使用 pac 中不为空的值，否则使用计算中的值”，这正是我们想要的。我们再次需要访问 where 的“other”(第二个参数)的 .values，因为列名再次不同，但值是对齐的。

分别为每个组执行此操作，然后将他们重新加入。