如何使用每个向量条目填充数据帧中单独组的 NAN

如何解决如何使用每个向量条目填充数据帧中单独组的 NAN

假设我有一个看起来像这样的向量 struct：

ValsHR

我有一个数据框 valsHR=[78.8,82.3,91.0]

MainData

我想填充 NaN，以便 valsHR 中的第一个值只填充患者 1 的 NaN，第二个值填充患者 2 的 NaN，第三个值填充患者 3。

到目前为止我已经尝试过使用这个： Age Patient HR 21 1 NaN 21 1 NaN 21 1 NaN 30 2 NaN 30 2 NaN 24 3 NaN 24 3 NaN 24 3 NaN 但它用向量中的第一个值填充所有 NaN。

我也试过使用这个： mainData['HR'] = mainData['HR'].fillna(ValsHR) 用根本不在 mainData['HR'] = mainData.groupby('Patient').fillna(ValsHR) 向量中的值填充 NaN。

我想知道是否有人知道这样做的方法？

解决方法

通过 Patient 值和缺失值创建字典，map 到原始列并仅替换缺失值：

print (df)
   Age  Patient     HR
0   21        1    NaN
1   21        1    NaN
2   21        1    NaN
3   30        2  100.0 <- value is not replaced
4   30        2    NaN
5   24        3    NaN
6   24        3    NaN
7   24        3    NaN


p = df.loc[df.HR.isna(),'Patient'].unique()
valsHR = [78.8,82.3,91.0]

df['HR'] = df['HR'].fillna(df['Patient'].map(dict(zip(p,valsHR))))
print (df)
   Age  Patient     HR
0   21        1   78.8
1   21        1   78.8
2   21        1   78.8
3   30        2  100.0
4   30        2   82.3
5   24        3   91.0
6   24        3   91.0
7   24        3   91.0

如果某些组没有 NaN：

print (df)
   Age  Patient     HR
0   21        1    NaN
1   21        1    NaN
2   21        1    NaN
3   30        2  100.0 <- group 2 is not replaced
4   30        2  100.0 <- group 2 is not replaced
5   24        3    NaN
6   24        3    NaN
7   24        3    NaN


p = df.loc[df.HR.isna(),valsHR))))
print (df)
   Age  Patient     HR
0   21        1   78.8
1   21        1   78.8
2   21        1   78.8
3   30        2  100.0
4   30        2  100.0
5   24        3   82.3
6   24        3   82.3
7   24        3   82.3

它只是映射，如果所有的NaN都应该被替换

import pandas as pd
from io import StringIO


valsHR=[78.8,91.0]
vals = {i:k for i,k in enumerate(valsHR,1)}

df = pd.read_csv(StringIO("""Age  Patient             
21   1
21   1
21   1
30   2
30   2
24   3
24   3
24   3"""),sep="\s+")


df["HR"] = df["Patient"].map(vals)

>>> df
   Age  Patient    HR
0   21        1  78.8
1   21        1  78.8
2   21        1  78.8
3   30        2  82.3
4   30        2  82.3
5   24        3  91.0
6   24        3  91.0
7   24        3  91.0