pandas 利用其他列的值讲缺失值填补

可以使用 fillna() 方法，其中参数可以指定其他列的值来填补缺失值，如下所示：

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3, None, 5],
                   'B': [3, 4, None, 6, 7],
                   'C': [None, 5, 6, 7, 8]})
filled_df = df.fillna({'A':df['B'], 'C':df['A']})
print(filled_df)

以上代码将利用列 B 的值填补列 A 的缺失值，利用列 A 的值填补列 C 的缺失值。

相关问题

pandas 用上下平均值填补缺失值的方法

可以使用 pandas 的 fillna() 方法，结合 rolling() 方法计算滚动平均值来填补缺失值。具体步骤如下：

1. 使用 rolling() 方法计算每个数据点的上下平均值，可以设定窗口大小，例如设定窗口为 3，即计算每个数据点前后 3 个数据点的平均值：

df['rolling_mean'] = df['column'].rolling(window=3, center=True).mean()

2. 使用 fillna() 方法将缺失值填充为滚动平均值：

df['column'] = df['column'].fillna(df['rolling_mean'])

这样，缺失值就被填充为其前后数据点的平均值了。注意，这种方法只适用于时间序列数据，如果数据不是时间序列，需要根据实际情况选择其他方法进行填充。

pandas填补缺失值

Pandas 是一个 Python 库，提供了许多数据处理和分析的功能，其中包括对缺失值的处理。

下面是一些 Pandas 中填补缺失值的方法：

1. `fillna()` 方法：使用指定的值或方法填充缺失值。例如，使用平均值、中位数或众数填充缺失值。

    import pandas as pd
    import numpy as np

    df = pd.DataFrame({'A': [1, np.nan, 3], 'B': [4, 5, np.nan]})
    df.fillna(0)  # 用0填充缺失值
    df.fillna(method='ffill')  # 使用前向填充方法填充缺失值
    df.fillna(method='bfill')  # 使用后向填充方法填充缺失值
    df.fillna(df.mean())  # 使用平均值填充缺失值

2. `interpolate()` 方法：使用插值方法填充缺失值。例如，使用线性插值方法填充缺失值。

    df.interpolate()  # 使用线性插值填充缺失值

3. `dropna()` 方法：删除包含缺失值的行或列。

    df.dropna()  # 删除包含缺失值的行
    df.dropna(axis=1)  # 删除包含缺失值的列

这些方法可以根据具体情况选择使用，以便更好地填补数据中的缺失值。