仅使用 pandas 来填补空白，而不是在末端使用 NaN

Question

我有一些跨越大约 8 个月的房价数据，并跟踪房价从房屋上市到售出的过程。我想填补中间数据中的几个空白，但我想将 NaN 保留在每个空白的末尾。

举个简单的例子，假设我们有房子 1，它在“第 4 天”以 200000 的价格上市，在“第 9 天”以 190000 的价格出售。我们有 house2 在第 1 天到第 12 天保持在 180000 并且在那个时间窗口内不出售。但是，第 6 天和第 7 天出了点问题，我丢失了数据：

house1 = [NaN, NaN, NaN, 200000, 200000, NaN, NaN, 200000, 190000, NaN, NaN, NaN]
house2 = [180000, 180000, 180000, 180000, 180000, NaN, NaN, 180000, 180000, 180000, 180000, 180000]

现在想象一下，这些是 Pandas Dataframes 中按日期索引的列，而不是常规数组。

问题是，我通常用来填补这里空白的函数是DataFrame.fillna()，使用 backfill 或 ffill 方法。如果我使用 ffill，house1 会返回：

house1 = [NaN, NaN, NaN, 200000, 200000, 200000, 200000, 200000, 190000, 190000, 190000, 190000]

这填补了空白，但也错误地填写了销售日之后的数据。如果我改用回填，我会得到：

house1 = [200000, 200000, 200000, 200000, 200000, 200000, 200000, 200000, 190000, NaN, NaN, NaN]

再次填补了空白，但这次也填补了数据的前端。如果我将 'limit=2' 与 ffill 一起使用，那么我得到的是：

house1 = [NaN, NaN, NaN, 200000, 200000, 200000, 200000, 200000, 190000, 190000, 190000, NaN]

它再次填补了空白，但随后它也开始填补“真实”数据结束位置之外的数据。

到目前为止，我的解决方案是编写以下函数：

def fillGaps(houseDF):
    """Fills up holes in the housing data"""

    def fillColumns(column):
        filled_col = column
        lastValue = None
        # Keeps track of if we are dealing with a gap in numbers
        gap = False
        i = 0
        for currentValue in filled_col:
            # Loops over all the nans before the numbers begin
            if not isANumber(currentValue) and lastValue is None:
                pass
            # Keeps track of the last number we encountered before a gap
            elif isANumber(currentValue) and (gap is False):
                lastIndex = i
                lastValue = currentValue
            # Notes when we encounter a gap in numbers
            elif not isANumber(currentValue):
                gap = True
            # Fills in the gap
            elif isANumber(currentValue):
                gapIndicies = range(lastIndex + 1, i)
                for j in gapIndicies:
                    filled_col[j] = lastValue
                gap = False
            i += 1
        return filled_col

    filled_df = houseDF.apply(fillColumns, axis=0)
    return filled_df

它只是跳过前面的所有 NaN，填充间隙（由实际值之间的 NaN 组定义），最后不填充 NaN。

有没有更简洁的方法，或者我不知道的内置 pandas 函数？

Answer 1

一年后我找到了这个答案，但需要它在具有多列的 DataFrame 上工作，所以我想把我的解决方案留在这里，以防其他人需要同样的解决方案。我的函数只是YS-L的修改版

def fillna_downbet(df):
    df = df.copy()
    for col in df:
        non_nans = df[col][~df[col].apply(np.isnan)]
        start, end = non_nans.index[0], non_nans.index[-1]
        df[col].loc[start:end] = df[col].loc[start:end].fillna(method='ffill')
    return df

谢谢！

Answer 2

另一种解决多列 DataFrame 的方法

df.fillna(method='ffill') + (df.fillna(method='bfill') * 0)

它是如何工作的？

第一个fillna 会向前填充值。这几乎是我们想要的，只是它在每个系列的末尾留下了填充值的痕迹。

第二个fillna 向后填充我们乘以零的值。结果是我们不需要的尾随值将是 NaN，而其他所有值都将为 0。

最后，我们利用 x + 0 = x 和 x + NaN = NaN 的事实将两者相加。

Answer 3

您可以在系列的某些部分使用fillna。根据您的描述，fillna 应该只在第一个非 NaN 之后和最后一个非 NaN 之前填充 NaN：

import numpy as np
import pandas as pd


def fill_column(house):
    house = house.copy()
    non_nans = house[~house.apply(np.isnan)]
    start, end = non_nans.index[0], non_nans.index[-1]
    house.ix[start:end] = house.ix[start:end].fillna(method='ffill')
    return house


house1 = pd.Series([np.nan, np.nan, np.nan, 200000, 200000, np.nan, np.nan, 200000, 190000, np.nan, np.nan, np.nan])
print fill_column(house1)

输出：

0        NaN
1        NaN
2        NaN
3     200000
4     200000
5     200000
6     200000
7     200000
8     190000
9        NaN
10       NaN
11       NaN

请注意，这假设 Series 至少包含两个非 NaN，对应于第一天和最后一天的价格。

Answer 4

这是一个适用于现代 pandas (>=1.1) 的函数，具有多个间隙，完全没有间隙，最重要的是 - 也适用于 .groupby()：

def fill_gap(s, method="ffill"):
    """Fills true gap in series."""
    col = s.copy()
    first_idx = col.first_valid_index()
    last_idx = col.last_valid_index()
    col.loc[first_idx:last_idx] = col.loc[first_idx:last_idx].fillna(method=method)
    return col

确保索引严格升序！