在 pandas 中选择性地使用 fillna()

Question

我想以选择性的方式在 DataFrame 中填充 N/A 值。特别是，如果一列中有一系列连续的 nan，我希望它们被前面的非 nan 值填充，但前提是 nan 序列的长度低于指定的阈值。例如，如果阈值为 3，则 3 或更少的列内序列将填充前面的非 nan 值，而 4 或更多 nan 的序列将保持原样。

也就是说，如果输入的DataFrame是

    2   5   4
    nan nan nan
    nan nan nan
    5   nan nan
    9   3   nan
    7   9   1

我希望输出是：

    2   5   4
    2   5   nan
    2   5   nan
    5   5   nan
    9   3   nan
    7   9   1

fillna 函数在应用于 DataFrame 时具有方法和限制选项。但不幸的是，这些不足以完成任务。我尝试指定method='ffill' 和limit=3，但这会填充任何序列的前 3 个 nan，而不是如上所述的选择性。

我想这可以通过使用一些条件语句逐列进行编码，但我怀疑肯定有一些更 Pythonic 的东西。任何关于实现这一目标的有效方法的建议？

Answer 1

在 pandas 中与连续组一起工作仍然有点尴尬。或者至少我不知道有什么巧妙的方法可以做到这一点，这根本不是一回事。 :-)

获得所需内容的一种方法是使用 compare-cumsum-groupby 模式：

In [68]: nulls = df.isnull()
    ...: groups = (nulls != nulls.shift()).cumsum()
    ...: to_fill = groups.apply(lambda x: x.groupby(x).transform(len) <= 3)
    ...: df.where(~to_fill, df.ffill())
    ...: 
Out[68]: 
     0    1    2
0  2.0  5.0  4.0
1  2.0  5.0  NaN
2  2.0  5.0  NaN
3  5.0  5.0  NaN
4  9.0  3.0  NaN
5  7.0  9.0  1.0

---

好吧，另一个我不喜欢的替代方案，因为它太棘手了：

def method_2(df):
    nulls = df.isnull()
    filled = df.ffill(limit=3)
    unfilled = nulls & (~filled.notnull())
    nf = nulls.replace({False: 2.0, True: np.nan})
    do_not_fill = nf.combine_first(unfilled.replace(False, np.nan)).bfill() == 1
    return df.where(do_not_fill, df.ffill())

这不使用任何groupby 工具，因此应该更快。请注意，另一种方法是手动（使用移位）确定要填充哪些元素，因为它们是一组长度为 1、2 或 3 的元素。