df_pandas[numerical_cols] = df_pandas[numerical_cols].fillna(df_pandas[numerical_cols].mean())报错

这段代码试图用DataFrame `df_pandas` 中数值型 (`numerical_cols`) 列的平均值填充缺失值。报错可能有以下几个原因：

1. **变量未定义**：首先确认`numerical_cols`是否已经被正确设置为包含数字列的列表，如之前我们提到的`numeric_columns`。

2. **列引用错误**：`df_pandas[numerical_cols]`可能不是期望的数值型列集合，需要检查`numerical_cols`是否准确无误。

3. **数据结构问题**：如果某个列原本就不是数值类型，尝试填充平均值会抛出错误。确认列的数据类型是否适合进行计算。

4. **错误的数据操作**：有时候可能由于某些列不可用于求平均或其他运算导致异常。确保对数据的操作符适用于该列的数据类型。

5. **缺失值处理**：`fillna()`函数可能遇到空值或无法填充的情况，例如全列都是NA或NaN，这时平均值可能会报错。可以添加适当条件判断来避免这种情况。

修复这个问题通常需要查看具体的错误信息，然后针对性地处理。示例代码修改后的部分可能是：

if df_pandas[numerical_cols].isnull().sum().sum() > 0:  # 检查是否有缺失值
    df_pandas[numerical_cols] = df_pandas[numerical_cols].fillna(df_pandas[numerical_cols].mean(), downcast='infer')

相关问题

运行 inputs = inputs.fillna(inputs.mean()) print(inputs) 时 ，报错 inputs = inputs.fillna(inputs.mean()) print(inputs)

该错误可能是由于 `inputs` 中含有非数值类型的数据，无法计算平均值而导致的。你可以尝试将非数值类型的数据从 `inputs` 中删除或者转换为数值类型后再运行该代码。

另外，你也可以使用 `pandas.DataFrame.select_dtypes()` 方法选择需要填充缺失值的数值类型列，如下所示：

import pandas as pd

# 选择数值类型的列
numeric_cols = inputs.select_dtypes(include=['float', 'int']).columns

# 对数值类型的列进行缺失值填充
inputs[numeric_cols] = inputs[numeric_cols].fillna(inputs[numeric_cols].mean())

print(inputs)

这样可以避免非数值类型的列导致的错误。