问题描述
我试图通过分组来填补数据中的空白,然后使用先前数据点的趋势来预测缺失值是什么。
df
Group Week Value
B 1 5
B 2 6
B 3 NaN
B 4 NaN
B 5 NaN
B 6 8
B 7 8
B 8 7
B 9 6
B 10 NaN
图形上看起来像这样: Initial df plot
一旦所需的功能发生,数据框将如下所示:
Group Week Value
B 1 5
B 2 6
B 3 7
B 4 8
B 5 9
B 6 8
B 7 8
B 8 7
B 9 6
B 10 5.5
此处以图形方式显示了查找这些 NaN 值的先前点的趋势: NaN values calculated
本示例中的前三个 NaN 值是通过简单地绘制值 5
和 6
、找到线性方程 (y = mx + c) 并将 x 拟合为周来计算 y 来找到的.将对所有 NaN 值执行相同的过程
我尝试过插值 (df = df.groupby('Group').apply(lambda group: group.interpolate(method='index'))
但这显然会查看下一个有效数据点并将其包含在计算中,我试图避免这种情况
可能值得注意的是,我使用的数据框有 200,000 行和 4,000 个组!
解决方法
您可以创建子组系列 g
并将 method="spline"
和 order=1
传递给 interpolate
:
g = df['Value'].mask(df['Value'].notnull(),df['Value'].isnull().cumsum()).ffill()
df['Value'] = (df.groupby(['Group',g])['Value']
.apply(lambda x: x.interpolate(method="spline",order=1)))
df
Out[1]:
Group Week Value
0 B 1 5.0
1 B 2 6.0
2 B 3 7.0
3 B 4 8.0
4 B 5 9.0
5 B 6 8.0
6 B 7 8.0
7 B 8 7.0
8 B 9 6.0
9 B 10 5.5
获取 g
的中间步骤如下所示。
g = df['Value'].mask(df['Value'].notnull(),df['Value'].isnull().cumsum()).ffill()
g
Out[1]:
0 0.0
1 0.0
2 0.0
3 0.0
4 0.0
5 3.0
6 3.0
7 3.0
8 3.0
9 3.0
数字基本上只是创建子组。我的方法是实现这一目标的一种方法。
根据您的评论,我创建了一个 mask
m 来计算大小为 1 的组。然后,我使用 fillna()
组合单独的方法:
df = pd.DataFrame({'Group': {0: 'A',1: 'B',2: 'B',3: 'B',4: 'B',5: 'B',6: 'B',7: 'B',8: 'B',9: 'B'},'Week': {0: 1,1: 2,2: 3,3: 4,4: 5,5: 6,6: 7,7: 8,8: 9,9: 10},'Value': {0: 5.0,1: 6.0,2: np.nan,3: np.nan,4: np.nan,5: 8.0,6: 8.0,7: 7.0,8: 6.0,9: np.nan}})
g = df['Value'].iloc[1:].mask(df['Value'].notnull(),df['Value'].isnull().cumsum()).ffill()
m = df.groupby(['Group',g])['Value'].transform('count') > 1
v1 = (df[m].groupby(['Group',g])['Value']
.apply(lambda x: x.interpolate(method="spline",order=1)))
v2 = (df.groupby(['Group',g])['Value']
.apply(lambda x: x.interpolate(method="index")))
df['Value'] = df['Value'].fillna(v1).fillna(v2)
df