根据不同列的聚合填充一列中的空值

Question

我正在学习一些基本的数据科学，并且正在研究泰坦尼克号数据集。 “年龄”列有空值，我想用不同列的平均值填充，比如“Pclass”或“Sex”。

“Pclass”是指乘客等级，根据乘客是否持有一等、二等或三等客票，具有三个值（1、2、3）。

我试图通过编写一个函数来概括这个过程，该函数接受两个列名，“年龄”和我们要用于聚合的列。我想不出如何完全概括这一点，所以现在，假设我基于 Pclass 进行聚合。

我得到了基于 Pclass 的平均年龄如下：

# Figure out the mean age for each class
mean_age = round(df_train.groupby('Pclass').mean()['Age'])
mean_age

我尝试定义函数如下（38,30和25）来自mean_age：

def fill_age(data, col1, col2):
    if data[col1].isnull():
        if data[col2] == 1:
            return 38
        elif data[col2] == 2:
            return 30
        else:
            return 25
    else:
        return data[col1]

并尝试使用.apply()：

df_train['Age'] = df_train.apply(fill_age(df_train,'Age','Pclass'), axis = 1)

我在这里做错了什么，我该如何考虑以解决它并进一步概括它？

编辑：以下行似乎有效，但我需要它将更改应用到数据框本身，并且我不能将“就地”与 .apply() 一起使用

df_train.groupby('Pclass')['Age'].apply(lambda x: x.fillna(round(x.mean())))

Answer 1

您不应该在apply 中调用函数，而是通过args=() 或关键字参数传递函数和参数：

df['Age'] = df.apply(fill_age, col1='Age', col2='Pclass', axis=1)

但是有一个更好的方法来做到这一点，通过矢量化：

df['Age'] = df['Age'].fillna(df.groupby('Pclass')['Age'].transform('mean'))