我有一个形式的大数据集:
period_id gic_subindustry_id operating_mgn_fym5 operating_mgn_fym4 317 201509 25101010 13.348150 11.745965
682 201509 20101010 10.228725 10.473917
903 201509 20101010 NaN 17.700966
1057 201509 50101010 27.858305 28.378040
1222 201509 25502020 15.598956 11.658813
2195 201508 25502020 27.688324 22.969760
2439 201508 45202020 NaN 27.145216
2946 201508 45102020 17.956425 18.327724
实际上,在过去25年中,我每年都有成千上万个值,并且有多个(10+)列。
我正在尝试使用该时间段的gic_industry_id中位数/平均值替换NaN值。
我尝试了一些方法
df.fillna(df.groupby('period_id','gic_subindustry_id')。transform('mean')),但这似乎非常缓慢(我在几分钟后将其停止了)。
我想到它之所以变慢的原因是由于重新计算了遇到的每个NaN的平均值。为了解决这个问题,我认为计算每个period_id的平均值,然后使用此值替换/映射每个NaN可能会快得多。
means = df.groupby(['period_id', 'gic_subindustry_id']).apply(lambda x:x.mean())
输出:
operating_mgn_fym5 operating_mgn_fym4 operating_mgn_fym3 operating_mgn_fym2
period_id gic_subindustry_id
201509 45202030 1.622685 0.754661 0.755324 321.295665
45203010 1.447686 0.226571 0.334280 12.564398
45203015 0.733524 0.257581 0.345450 27.659407
45203020 1.322349 0.655481 0.468740 19.823722
45203030 1.461916 1.181407 1.487330 16.598534
45301010 2.074954 0.981030 0.841125 29.423161
45301020 2.621158 1.235087 1.550252 82.717147
实际上,这要快得多(30-60秒)。
但是,我正在努力弄清楚如何将NaN映射到这些方法。确实,这是执行此映射的“正确”方法吗?速度实际上并不是最重要的,但是少于60秒将是不错的选择。
如果fillna
数据框具有相同的结构(由提供as_index=False
),则可以使用分组依据的结果:
df.fillna(df.groupby(['period_id', 'gic_subindustry_id'], as_index=False).mean())
#In [60]: df
#Out[60]:
# period_id gic_subindustry_id operating_mgn_fym5 operating_mgn_fym4
#0 201508 25502020 27.688324 22.969760
#1 201508 45102020 17.956425 18.327724
#2 201508 45202020 NaN 27.145216
#3 201509 20101010 10.228725 14.087442
#4 201509 25101010 13.348150 11.745965
#5 201509 25502020 15.598956 11.658813
#6 201509 50101010 27.858305 28.378040
#7 201508 45102020 17.956425 18.327724
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句