从 pandas DataFrame 中删除少于 K 个连续的 NaN

Question

我正在处理时间序列数据。从数据框列中删除小于或等于阈值的连续 NaN 时，我遇到了问题。我尝试查看一些链接，例如：

Identifying consecutive NaN's with pandas ：识别连续 NaN 的位置以及计数值。

Pandas: run length of NaN holes：输出运行长度编码为 NaNs

这条车道上还有很多其他的，但没有一个真正告诉我们如何在识别后将它们移除。

我找到了一个类似的解决方案，但在 R 中： How to remove more than 2 consecutive NA's in a column?

我想要 Python 中的解决方案。

下面是例子：

这是我的数据框列：

            a
    0   36.45
    1   35.45
    2     NaN
    3     NaN
    4     NaN
    5   37.21
    6   35.63
    7   36.45
    8   34.65
    9   31.45
    10    NaN
    11    NaN
    12  36.71
    13  35.55
    14    NaN
    15    NaN
    16    NaN
    17    NaN
    18  37.71

如果 k = 3，我的输出应该是：

            a
    0   36.45
    1   35.45
    2   37.21
    3   35.63
    4   36.45
    5   34.65
    6   31.45
    7   36.71
    8   35.55
    9     NaN
    10    NaN
    11    NaN
    12    NaN
    13  37.71

我如何才能删除小于或等于某个阈值 (k) 的连续 NaN。

Answer 1

有几种方法，但我是这样做的：

1. 使用简洁的cumsum 技巧确定连续数字组
2. 使用groupby + transform 确定每个组的大小
3. 识别阈值内的 NaN 组
4. 使用布尔索引过滤掉它们。

k = 3 
i = df.a.isnull()
m = ~(df.groupby(i.ne(i.shift()).cumsum().values).a.transform('size').le(k) & i)

df[m]

a
0   36.45
1   35.45
5   37.21
6   35.63
7   36.45
8   34.65
9   31.45
12  36.71
13  35.55
14    NaN
15    NaN
16    NaN
17    NaN
18  37.71

如果您想要一个单调递增的整数索引，您可以在最后执行df = df[m]; df.reset_index(drop=True) 步骤。

Answer 2

您可以创建一个指标列来计算连续的 nan。

k = 3
(
df.groupby(pd.notna(df.a).cumsum())
.apply(lambda x: x.dropna() if pd.isna(x.a).sum() <= k else x)
.reset_index(drop=True)
)

Out[375]: 
        a
0   36.45
1   35.45
2   37.21
3   35.63
4   36.45
5   34.65
6   31.45
7   36.71
8   35.55
9     NaN
10    NaN
11    NaN
12    NaN
13  37.71