根据条件切片更改 Pandas DataFrame 中的单元格

Question

我正在玩 Titanic 数据集，我想做的是用基于 Pclass 的中值填充 Age 列的所有 NaN/Null 值。

这是一些数据：

train

PassengerId Pclass  Age
0   1   3   22
1   2   1   35
2   3   3   26
3   4   1   35
4   5   3   35
5   6   1   NaN
6   7   1   54
7   8   3   2
8   9   3   27
9   10  2   14
10  11  1   Nan

这是我想要的结果：

PassengerId Pclass  Age
0   1   3   22
1   2   1   35
2   3   3   26
3   4   1   35
4   5   3   35
5   6   1   35
6   7   1   54
7   8   3   2
8   9   3   27
9   10  2   14
10  11  1   35

我想出的第一件事是——为了简洁起见，我只为 Pclass 添加了一个等于 1 的切片，而不是包括 2 和 3：

Pclass_1 = train['Pclass']==1

train[Pclass_1]['Age'].fillna(train[train['Pclass']==1]['Age'].median(), inplace=True)

据我了解，此方法创建视图而不是编辑 train 本身（我不太明白这与副本有何不同，或者它们在内存方面是否相似——这是如果可能的话，我很想听听）。我特别喜欢这个关于 View vs Copy, How Do I Tell? 主题的问答，但它不包括我正在寻找的洞察力。

通过查看 Pandas 文档，我了解了为什么要使用 .loc 来避免这个陷阱。但是我似乎无法正确使用语法。

Pclass_1 = train.loc[:,['Pclass']==1]

Pclass_1.Age.fillna(train[train['Pclass']==1]['Age'].median(),inplace=True)

我迷失在索引中。这最终会寻找一个名为False 的列，该列显然不存在。如果没有链式索引，我不知道如何做到这一点。 train.loc[:,train['Pclass']==1] 返回异常 IndexingError: Unalignable boolean Series key provided。

Answer 1

在这行，

train.loc[:,['Pclass']==1]

['Pclass'] == 1 部分将列表['Pclass'] 与值1 进行比较，后者返回False。然后.loc[] 被评估为导致错误的.loc[:,False]。

我想你的意思是：

train.loc[train['Pclass']==1]

它选择 Pclass 为 1 的所有行。这修复了错误，但仍会为您提供“SettingWithCopyWarning”。

编辑 1

（旧代码已删除）

这是一种使用groupby 和transform 来创建Series 的方法 包含每个Pclass 的中位数Age。然后将Series 用作fillna() 的参数，用中位数替换缺失值。使用这种方法将同时更正所有乘客类别，这是 OP 最初要求的。解决方案来自Python-pandas Replace NA with the median or mean of a group in dataframe的答案

import pandas as pd
from io import StringIO

tbl = """PassengerId Pclass  Age
0   1   3   22
1   2   1   35
2   3   3   26
3   4   1   35
4   5   3   35
5   6   1
6   7   1   54
7   8   3   2
8   9   3   27
9   10  2   14
10  11  1
"""

train = pd.read_table(StringIO(tbl), sep='\s+')
print('Original:\n', train)
median_age = train.groupby('Pclass')['Age'].transform('median') #median Ages for all groups
train['Age'].fillna(median_age, inplace=True)
print('\nNaNs replaced with median:\n', train)

代码产生：

 Original:
     PassengerId  Pclass   Age
0             1       3  22.0
1             2       1  35.0
2             3       3  26.0
3             4       1  35.0
4             5       3  35.0
5             6       1   NaN
6             7       1  54.0
7             8       3   2.0
8             9       3  27.0
9            10       2  14.0
10           11       1   NaN

NaNs replaced with median:
     PassengerId  Pclass   Age
0             1       3  22.0
1             2       1  35.0
2             3       3  26.0
3             4       1  35.0
4             5       3  35.0
5             6       1  35.0
6             7       1  54.0
7             8       3   2.0
8             9       3  27.0
9            10       2  14.0
10           11       1  35.0

需要注意的是，这一行，它使用了inplace=True：

train['Age'].fillna(median_age, inplace=True)

可以使用.loc替换为赋值：

train.loc[:,'Age'] = train['Age'].fillna(median_age)