我有一个数据集，其中有一列名为“原籍国”的列，包含约30000条记录。其中一些记录是缺失的，用NaN表示，因此我想用mode()值来填充它们。 我写了这样的代码：
data['Native Country'].fillna(data['Native Country'].mode(), inplace=True)
然而，当我计算缺失值数量时：
for col_name in data.columns:
print ("column:",col_name,".Missing:",sum(data[col_name].isnull()))
对于“Native Country”列，它仍然显示相同数量的NaN值。
只需调用系列的第一个元素：
data['Native Country'].fillna(data['Native Country'].mode()[0], inplace=True)
或者您可以使用赋值运算符完成相同的操作：
data['Native Country'] = data['Native Country'].fillna(data['Native Country'].mode()[0])
注意，NaN 可能是您数据框的众数：在这种情况下，您会将 NaN 替换为另一个 NaN。
import numpy as np
import pandas as pd
print(pd.__version__)
1.2.0
df = pd.DataFrame({'Country': [np.nan, 'France', np.nan, 'Spain', 'France'], 'Purchased': [np.nan,'Yes', 'Yes', 'No', np.nan]})
| 国家 | 已购买 | |
|---|---|---|
| 0 | 无效值 | 无效值 |
| 1 | 法国 | 是 |
| 2 | 无效值 | 是 |
| 3 | 西班牙 | 否 |
| 4 | 法国 | 无效值 |
df.fillna(df.mode()) ## only applied on first row because df.mode() returns a dataframe with one row
| 国家 | 购买 | |
|---|---|---|
| 0 | 法国 | 是 |
| 1 | 法国 | 是 |
| 2 | 未知 | 是 |
| 3 | 西班牙 | 否 |
| 4 | 法国 | 未知 |
df = pd.DataFrame({'Country': [np.nan, 'France', np.nan, 'Spain', 'France'], 'Purchased': [np.nan,'Yes', 'Yes', 'No', np.nan]})
df.fillna(df.mode().iloc[0]) ## convert df to a series
| 国家 | 购买过 | |
|---|---|---|
| 0 | 法国 | 是 |
| 1 | 法国 | 是 |
| 2 | 法国 | 是 |
| 3 | 西班牙 | 否 |
| 4 | 法国 | 是 |
num = data['Native Country'].mode()[0]
data['Native Country'].fillna(num, inplace=True)
num = data['Native Country'].mean() #or median(); No need of [0] because it returns a float value.
data['Native Country'].fillna(num, inplace=True)
data['Native Country'].fillna(data['Native Country'].mode()[0], inplace=True)
fillna(df['colX'].mode())来填充缺失值，由于mode()的结果是一个Series，它只会为匹配索引的前几行填充。至少在以下情况下是这样的：fill_mode = lambda col: col.fillna(col.mode())
df.apply(fill_mode, axis=0)
fillna(df['colX'].mode()[0])，我认为我们冒着在数据中引入意外偏差的风险。如果样本是多峰的，那么仅仅采用第一个众数值会使本来就有偏差的插补方法变得更糟。例如，如果我们有[0, 21, 99]作为同等最频繁的值，那么仅仅取0是不够的。或者在给定列中True和False值出现频率相同时，用False填充缺失值。
我没有一个明确的解决方案。如果使用众数是必要的，从所有局部极大值中分配一个随机值可能是一种方法。
pandas版本1.5.2 - paulduf因此，我注意到df.mean()返回一个pd.Series，而在具有混合类型（包括数值和分类）的数据集上调用的df.mode则返回一个pd.DataFrame，其与df具有相同的列，且第0行给出众数。
这是预期的，因为Series的类型必须是唯一的，但仍然导致df.fillna(df.mode())失败，而df.fillna(df.mean())可以正常工作。
以下是一个解决此问题的一行代码:
df.fillna({k: v[0] for k, v in df.mode().to_dict().items()})
v[0]是从可能的模式列表中选择的，正如this answer所指出的那样，但是这仍然可以通过对v应用另一个聚合函数来改进。对于那些像我一样来到这里，想要填充多个列中的NA值，按多个列进行分组，并且在组中只有NA值时出现mode函数无法返回任何结果的问题：
df[['col_to_fill_NA_1','col_to_fill_NA_2']] = df.groupby(['col_to_group_by_1', 'col_to_group_by_2'], dropna=False)[['col_to_fill_NA_1','col_to_fill_NA_2']].transform(lambda x: x.fillna(x.mode()[0]) if len(x.mode()) == 1 else x)
您可以填写任意数量的“col_to_fill_NA”，并按任意数量的“col_to_group_by”进行分组。 如果存在mode，则if语句返回mode，并在仅包含NAs的组中返回NAs。
fill_mode = lambda col: col.fillna(col.mode())
并使用以下函数：
new_df = df.apply(fill_mode, axis=0)