带有列表/数组的熊猫填充答案

【问题标题】：Pandas fillna with list/array带有列表/数组的熊猫填充
【发布时间】：2013-07-09 18:23:53
【问题描述】：

有没有一种方便的方法可以用数组或列的（第一个）值填充 na 值？

想象一下下面的 DataFrame：

dfcolors = pd.DataFrame({'Colors': ['Blue', 'Red', np.nan, 'Green', np.nan, np.nan, 'Brown']})

  Colors
0   Blue
1    Red
2    NaN
3  Green
4    NaN
5    NaN
6  Brown

我想用另一个 DataFrame 或数组中的值填充 NaN 值，所以：

dfalt = pd.DataFrame({'Alt': ['Cyan', 'Pink']})

           Alt
0         Cyan
1         Pink

当有更多的 NaN 时，填充值应该保留一些 NaN。并且当有更多的填充值时，并不是所有的都会被使用。所以我们必须做一些计数：

n_missing = len(dfcolors) - dfcolors.count().values[0]    
n_fill = min(n_missing, len(dfalt))

数字n_fill是可以填充的值的数量。

选择可以/应该填充的 NaN 值可以通过以下方式完成：

dfcolors.Colors[pd.isnull(dfcolors.Colors)][:n_fill]

2    NaN
4    NaN
Name: Colors, dtype: object

选择填充值

dfalt.Alt[:n_fill]

0    Cyan
1    Pink
Name: Alt, dtype: object

而他们我陷入了这样的困境：

dfcolors.Colors[pd.isnull(dfcolors.Colors)][:n_fill] = dfalt.Alt[:n_fill]

这不起作用...任何提示都会很棒。

这是我想要的输出：

  Colors
0   Blue
1    Red
2   Cyan
3  Green
4   Pink
5    NaN
6  Brown

NaN值是从上往下填充的，如果填充值比NaN的多，填充值也是从上往下选择的

【问题讨论】：

你想要的输出是什么？
好点，我稍微编辑了这个问题。
它是returning view vs copy（精美的索引总是返回一个副本）...嗯
是的，我认为这是一个主要问题，我尝试了各种方法，例如添加 .values 甚至将其包装在新的 DataFrame 中。到目前为止没有运气。

标签： python pandas

【解决方案1】：

这很糟糕，但是遍历空值的索引是可行的：

In [11]: nulls = dfcolors[pd.isnull(dfcolors['Colors'])]

In [12]: for i, ni in enumerate(nulls.index[:len(dfalt)]):
             dfcolors['Colors'].loc[ni] = dfalt['Alt'].iloc[i]

In [13]: dfcolors
Out[13]:
  Colors
0   Blue
1    Red
2   Cyan
3  Green
4   Pink
5    NaN
6  Brown

【讨论】：

【解决方案2】：

您可以使用生成器。这样你就可以这样写：

import pandas as pd
from pandas import np

dfcolors = pd.DataFrame({'Colors': ['Blue', 'Red', np.nan, 'Green', np.nan, np.nan, 'Brown']})
dfalt = pd.DataFrame({'Alt': ['Cyan', 'Pink']})

gen_alt = (alt for alt in dfalt.Alt)

for i, color in enumerate(dfcolors.Colors):
    if not pd.isnull(color): continue
    try:
        dfcolors.Colors[i] = gen_alt.next()
    except StopIteration:
        break
print(dfcolors)
#     Colors
# 0   Blue
# 1    Red
# 2   Cyan
# 3  Green
# 4   Pink
# 5    NaN
# 6  Brown

【讨论】：