Bagaimanakah saya boleh Mengisi Nilai Hilang dalam Satu Lajur dengan Data Daripada Lajur Lain dalam Panda?

Menggunakan Kuasa fillna() untuk Mengaitkan Nilai Hilang dengan Keseluruhan Lajur

Dalam bidang manipulasi data, ia selalunya diperlukan untuk mengaitkan nilai yang hilang untuk memastikan integriti data. Pandas, perpustakaan analisis data serba boleh, menyediakan kaedah fillna() untuk mengendalikan tugas ini dengan cekap. Walau bagaimanapun, melanjutkan fungsinya untuk mengisi nilai yang hilang dengan keseluruhan lajur memerlukan pendekatan khusus.

Percubaan sebelum ini untuk mengisi nilai yang hilang dalam satu lajur dengan nilai yang sepadan daripada lajur lain selalunya melibatkan gelung baris demi baris yang tidak cekap. Untuk mengoptimumkan prestasi dan mematuhi amalan terbaik, kaedah alternatif yang memanfaatkan fillna() adalah penting.

Berikut ialah cara untuk menghantar keseluruhan lajur secara berkesan sebagai hujah kepada fillna():

import pandas as pd

# Create a DataFrame with missing values
df = pd.DataFrame({'Day': [1, 2, 3, 4],
                   'Cat1': ['cat', 'dog', 'cat', np.nan],
                   'Cat2': ['mouse', 'elephant', 'giraf', 'ant']})

# Fill missing values in Cat1 using values from Cat2
df['Cat1'].fillna(df['Cat2'], inplace=True)

# Display the imputed DataFrame
print(df)

Kod ini berjaya mengisi nilai yang tiada dalam 'Cat1' pada baris keempat dengan 'ant,' yang diekstrak daripada baris yang sepadan dalam 'Cat2.' DataFrame yang terhasil mempamerkan data yang lengkap, memastikan kesahihannya untuk analisis seterusnya.

Dengan memanfaatkan keupayaan fillna() untuk menerima hujah lajur, anda boleh mengimput nilai yang hilang dengan cekap dengan data daripada lajur lain dalam satu operasi. Pendekatan ini bukan sahaja meningkatkan kualiti data tetapi juga mengoptimumkan kecekapan pengiraan, menjadikannya alat yang sangat diperlukan dalam kotak alat perbalahan data anda.

Atas ialah kandungan terperinci Bagaimanakah saya boleh Mengisi Nilai Hilang dalam Satu Lajur dengan Data Daripada Lajur Lain dalam Panda?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!