pandas.core.groupby.DataFrameGroupBy.fillna

DataFrameGroupBy.fillna

Заполнение пропущенных значений (NA/NaN) указанным методом.

Параметры:

value : scalar, dict, Series, or DataFrame Значение для заполнения пропусков (например, 0), или словарь/Серия/DataFrame значений, определяющих значение для каждого индекса (для Series) или столбца (для DataFrame). Значения, отсутствующие в словаре/Серии/DataFrame, не будут заполнены. Это значение не может быть списком. method : {‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None}, default None Метод для заполнения пропусков в переиндексированной серии. pad / ffill: распространение последнего действительного значения вперёд к следующему действительному; backfill / bfill: использование следующего действительного значения для заполнения пробела. axis : {0 or ‘index’, 1 or ‘columns’} Ось, по которой необходимо заполнить пропущенные значения. inplace : bool, default False Если True, заполнение происходит на месте. Примечание: это изменит любые другие представления этого объекта (например, срез без копирования для столбца в DataFrame). limit : int, default None Если метод указан, это максимальное количество последовательных значений NaN, которые нужно заполнить вперёд/назад. Другими словами, если есть пробел с более чем этим числом последовательных NaN, он будет заполнен только частично. Если метод не указан, это максимальное количество элементов по всей оси, где будут заполнены NaN. Должно быть больше 0, если не равно None. downcast : dict, default is None Словарь вида элемент->тип данных, к которому можно привести значения, если это возможно, или строка ‘infer’, которая попытается привести к соответствующему типу (например, float64 к int64, если это возможно).

Возвращает:

DataFrame Объект с заполненными пропущенными значениями.

См. также

interpolate

Заполнение пропущенных значений с помощью интерполяции.

reindex

Приведение объекта к новому индексу.

asfreq

Преобразование временного ряда к указанной частоте.

Примеры

>>> df = pd.DataFrame([[np.nan, 2, np.nan, 0],
...                    [3, 4, np.nan, 1],
...                    [np.nan, np.nan, np.nan, 5],
...                    [np.nan, 3, np.nan, 4]],
...                   columns=list('ABCD'))
>>> df
     A    B   C  D
0  NaN  2.0 NaN  0
1  3.0  4.0 NaN  1
2  NaN  NaN NaN  5
3  NaN  3.0 NaN  4

Замена всех элементов NaN на 0.

>>> df.fillna(0)
    A   B   C   D
0   0.0 2.0 0.0 0
1   3.0 4.0 0.0 1
2   0.0 0.0 0.0 5
3   0.0 3.0 0.0 4

Также можно распространять ненулевые значения вперёд или назад.

>>> df.fillna(method='ffill')
    A   B   C   D
0   NaN 2.0 NaN 0
1   3.0 4.0 NaN 1
2   3.0 4.0 NaN 5
3   3.0 3.0 NaN 4

Замена всех элементов NaN в столбцах ‘A’, ‘B’, ‘C’ и ‘D’ соответственно на 0, 1, 2 и 3.

>>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3}
>>> df.fillna(value=values)
    A   B   C   D
0   0.0 2.0 2.0 0
1   3.0 4.0 2.0 1
2   0.0 1.0 2.0 5
3   0.0 3.0 2.0 4

Замена только первого элемента NaN.

>>> df.fillna(value=values, limit=1)
    A   B   C   D
0   0.0 2.0 2.0 0
1   3.0 4.0 NaN 1
2   NaN 1.0 NaN 5
3   NaN 3.0 NaN 4