NA değerlerini pandalarda birden çok sütunda nasıl doldurabilirim?

Question

50 sütun içeren bir veri çerçevem ​​var. NA'ları 0 ile 10 sütun halinde değiştirmek istiyorum.

Bunu yapmanın en kolay, okunabilir yolu nedir?

ben gibi bir şey için umuyordum:

cols = ['a', 'b', 'c', 'd'] 
df[cols].fillna(0, inplace=True) 

Ama bu beni ValueError: Must pass DataFrame with boolean values only veriyor.

this answer buldum, ancak anlaşılması zor.

Answer 1

sen update() kullanabilirsiniz:

In [145]: df 
Out[145]: 
    a b c d e 
0 NaN NaN NaN 3 8 
1 NaN NaN NaN 8 7 
2 NaN NaN NaN 2 8 
3 NaN NaN NaN 7 4 
4 NaN NaN NaN 4 9 
5 NaN NaN NaN 1 9 
6 NaN NaN NaN 7 7 
7 NaN NaN NaN 6 5 
8 NaN NaN NaN 0 0 
9 NaN NaN NaN 9 5 

In [146]: df.update(df[['a','b','c']].fillna(0)) 

In [147]: df 
Out[147]: 
    a b c d e 
0 0.0 0.0 0.0 3 8 
1 0.0 0.0 0.0 8 7 
2 0.0 0.0 0.0 2 8 
3 0.0 0.0 0.0 7 4 
4 0.0 0.0 0.0 4 9 
5 0.0 0.0 0.0 1 9 
6 0.0 0.0 0.0 7 7 
7 0.0 0.0 0.0 6 5 
8 0.0 0.0 0.0 0 0 
9 0.0 0.0 0.0 9 5 

Answer 2

In [15]: cols= ['one', 'two'] 
In [16]: df 
Out[16]: 
     one  two  three four five 
a -0.343241 0.453029 -0.895119 bar False 
b  NaN  NaN  NaN NaN NaN 
c 0.839174 0.229781 -1.244124 bar True 
d  NaN  NaN  NaN NaN NaN 
e 1.300641 -1.797828 0.495313 bar True 
f -0.182505 -1.527464 0.712738 bar False 
g  NaN  NaN  NaN NaN NaN 
h 0.626568 -0.971003 1.192831 bar True 

In [17]: df[cols]=df[cols].fillna(0) 

In [18]: df 
Out[18]: 
     one  two  three four five 
a -0.343241 0.453029 -0.895119 bar False 
b 0.000000 0.000000  NaN NaN NaN 
c 0.839174 0.229781 -1.244124 bar True 
d 0.000000 0.000000  NaN NaN NaN 
e 1.300641 -1.797828 0.495313 bar True 
f -0.182505 -1.527464 0.712738 bar False 
g 0.000000 0.000000  NaN NaN NaN 
h 0.626568 -0.971003 1.192831 bar True 

Answer 3

Ve sürümü durumunda yararlı olabilir hangi sütunun dilimleme kullanarak:

In [46]: 
df 

Out[46]: 
    a b c d e 
0 NaN NaN NaN 3 8 
1 NaN NaN NaN 8 7 
2 NaN NaN NaN 2 8 
3 NaN NaN NaN 7 4 
4 NaN NaN NaN 4 9 
5 9 NaN NaN 1 9 
6 NaN NaN NaN 7 7 
7 NaN NaN NaN 6 5 
8 NaN NaN NaN 0 0 
9 NaN NaN NaN 9 5 

In [47]: 
df.loc[:,'a':'c'] = df.loc[:,'a':'c'].fillna(0) 
df 

Out[47]: 
    a b c d e 
0 0 0 0 3 8 
1 0 0 0 8 7 
2 0 0 0 2 8 
3 0 0 0 7 4 
4 0 0 0 4 9 
5 9 0 0 1 9 
6 0 0 0 7 7 
7 0 0 0 6 5 
8 0 0 0 0 0 
9 0 0 0 9 5