问题描述
我有两个数据框,train
和 test
。 test
集的列上有缺失值。
import numpy as np
import pandas as pd
train = [[0,1],[0,2],3],7],[1,5],2]]
test = [[0,0],np.nan],np.nan]]
train = pd.DataFrame(train,columns = ['A','B'])
test = pd.DataFrame(test,'B'])
测试集在 B
列上有两个缺失值。如果 groupby 列是 A
- 如果插补策略为
mode
,则应使用7
和2
对缺失值进行插补。 - 如果插补策略为
mean
,则缺失值应为(1+2+3+7+7)/5 = 4
和(3+5+2+2)/4 = 3
。
这样做的好方法是什么?
此 question 是相关的,但仅使用一个数据帧而不是两个。
解决方法
IIUC,这是一种方法:
from statistics import mode
test_mode = test.set_index('A').fillna(train.groupby('A').agg(mode)).reset_index()
test_mean = test.set_index('A').fillna(train.groupby('A').mean()).reset_index()
如果你想要一个函数:
from statistics import mode
def evaluate_nan(strategy= 'mean'):
return test.set_index('A').fillna(train.groupby('A').agg(strategy)).reset_index()
test_mean = evaluate_nan()
test_mode = evaluate_nan(strategy = mode)