如何使用类似行列表中的值快速填充一行中的 NaN 值

Question

我有一个大数据框（大约 800,000 行）。近 30% 的行具有 NaN 值，例如，test = pd.DataFrame({"name": [1,2,3,4,5,6,7],                      "col1": ['c1', 'c2', 'c3', 'c4', 'c5', 'c6', 'c7'],                      "col2": [4, 5, 6, np.nan, np.nan, 8, 5],                      "col3": [7, 8, 9, np.nan, np.nan, 3, 7],                      "col4": [7, 8, 9, np.nan, np.nan, 2, 6]})    name  col1  col2   col3  col4    0    1     c1    4.0    7.0   7.01    2     c2    5.0    8.0   8.0    2    3     c3    6.0    9.0   9.0    3    4     c4    NaN    NaN   NaN    4    5     c5    NaN    NaN   NaN    5    6     c6    8.0    3.0   2.0    6    7     c7    5.0    7.0   6.0现在我在 row3 和 row4 中有 NaN。根据一些规则，我得到 row3 最相似的行是similar_for_row3 = ['name' = 10, 'name' = 3, 'name' = 1]而对于 row4 是similar_for_row4 = ['name' = 2, 'name' = 6, 'name' = 20].然后，我的问题是：我怎么可以快速检查，如果这些行中similar_for_row3，并similar_for_row4在数据帧，例如，'name' = 10而'name' = 20不是它。快速用NaN相似行中的值替换一行中的值。例如，对于row3，我们首先检查 中的所有行similar_for_row3，然后使用 Dataframe 中存在的第一行（即test.loc[test['name' == 3]]）来替换NaN中的row3。输出是：    name  col1  col2   col3  col4    0    1     c1    4.0    7.0   7.0    1    2     c2    5.0    8.0   8.0    2    3     c3    6.0    9.0   9.0    3    4     c4    6.0    9.0   9.0  -> replace NaN with 'name' = 3    4    5     c5    NaN    NaN   NaN    5    6     c6    8.0    3.0   2.0    6    7     c7    5.0    7.0   6.0我试图用“for 循环”迭代所有数据帧来替换 NaN 值，但速度很慢。更换一行大约需要 3 秒钟。我的数据集有 800,000 行。这将花费我一个月的时间来完成。请帮忙！

Answer 1

如何快速检查similar_for_row3 和similar_for_row4 中的这些行是否在Dataframe 中，例如'name' = 10 和'name' = 20 不在其中。

您可以sets使用&和 usesorted设置找到两者的交集，key= similar_for_row3.index以便使用出现的第一个交集similar_for_row3：

similar_for_row4 = [2, 6, 20]

fill_with  = sorted(list(set(similar_for_row4) & set(test.name.values)), 

       key= similar_for_row4.index)[0]

#2

所以这里第 2 行将用于替换第 4 行，正如您提到的“数据帧中存在的第一行”。

用相似行中的值快速替换一行中的 NaN 值。例如，对于row3，我们首先检查similar_for_row3中的所有行，然后使用Dataframe中存在的第一行（即test.loc[test['name' == 3]]）替换row3中的NaN。

您可以首先使用.isnull()在特定行上切片的数据帧创建一个掩码，并在数据帧上执行布尔索引以过滤对应列，在本例中为第 2 行：

row = 4

mask = test.loc[row, :].isnull().squeeze()

test.loc[row, mask] = test.loc[fill_with, mask].values

因此，对于此示例，您将拥有：

    name col1 col2  col3  col4

0     1   c1   4.0   7.0   7.0

1     2   c2   5.0   8.0   8.0

2     3   c3   6.0   9.0   9.0

3     4   c4   NaN   NaN   NaN

4     5   c5   6.0   9.0   9.0

5     6   c6   8.0   3.0   2.0

6     7   c7   5.0   7.0   6.0

更新

为了轻松检测存在任何 NaN 的行，您可以执行以下操作：

has_nans = test[test.isnull().any(axis=1)].index.values

并且简单地循环has_nans查找在每次迭代中替换的最相似的行。