python pandas如何對(duì)指定的多列填充缺失值？ 熊貓.DataFrame.fillna（）函數(shù)用于填充數(shù)組中的Nan值，但此方法不會(huì)更改原始數(shù)組，而是返回一個(gè)新數(shù)組。下面是一個(gè)示例演示：我們可

python pandas如何對(duì)指定的多列填充缺失值？

熊貓.DataFrame.fillna（）函數(shù)用于填充數(shù)組中的Nan值，但此方法不會(huì)更改原始數(shù)組，而是返回一個(gè)新數(shù)組。下面是一個(gè)示例演示：

我們可以發(fā)現(xiàn)，在用fillna方法填充缺少的值之后，將返回一個(gè)填充的數(shù)組，但原始數(shù)組沒有更改。

如果我們想改變?cè)瓉淼臄?shù)組，我們需要重新賦值

填寫指定的多列缺失值，就像填寫整個(gè)數(shù)組的缺失值一樣，我們需要重新賦值。

EXCEL查找并填充缺失數(shù)值？

Match函數(shù)可以找到指定值在數(shù)組中的位置

address可以根據(jù)行號(hào)和列號(hào)返回單元格地址

indirect可以根據(jù)文本引用單元格，替換C1中從頂部獲得的1，并將其組合成C:C，然后在外部設(shè)置一個(gè)和，得到C的和columns

公式：

=sum（indirect（replacement）（address（1，match）（“streaky pork”，A1:D1，0），4）在數(shù)據(jù)挖掘過程中，原始數(shù)據(jù)往往會(huì)丟失，因此數(shù)據(jù)處理在機(jī)器學(xué)習(xí)中會(huì)占用更多的時(shí)間。

沒有固定的方法來處理缺失值。通常，根據(jù)業(yè)務(wù)需求和數(shù)據(jù)集本身選擇有效的處理方法。通常使用以下方法。

直接刪除-如果數(shù)據(jù)庫(kù)相對(duì)較大，您可以根據(jù)需要?jiǎng)h除它。當(dāng)然，您還應(yīng)該考慮刪除后原始數(shù)據(jù)集是否會(huì)受到很大影響。

填寫數(shù)據(jù)~這是一種常見的處理方法。如何填寫數(shù)據(jù)要根據(jù)業(yè)務(wù)和數(shù)據(jù)來判斷。如果缺失的數(shù)據(jù)是數(shù)值數(shù)據(jù)，可以考慮填寫整體數(shù)據(jù)的均值、中位數(shù)和模式。如果有時(shí)間序列，可以考慮缺失樣本前后樣本的平均值，也就是離缺失樣本最近的兩個(gè)樣本的平均值

如果缺失值只占數(shù)據(jù)的5%以下，那么缺失值對(duì)數(shù)據(jù)的影響很小，各個(gè)樣本之間的差異也很小缺少處理方法。最好是簡(jiǎn)單的處理，比如填充均值，或者直接刪除缺失的案例，但是均值填充不能利用缺失數(shù)據(jù)中可能包含的有效信息，刪除案例可能會(huì)對(duì)數(shù)據(jù)結(jié)構(gòu)的健全造成不利影響（例如，績(jī)效考核時(shí)，不合格的人沒有結(jié)果，形成缺項(xiàng)，因此刪除缺項(xiàng)會(huì)使數(shù)據(jù)缺乏代表性，只有合格的人，沒有不合格的人）。與均值插補(bǔ)法相比，回歸插補(bǔ)法更準(zhǔn)確（僅限于缺失值不多的情況，否則回歸會(huì)產(chǎn)生偏估計(jì)）。如果存在大量缺失值，建議使用EM算法。通過模擬研究，許多研究者表明，這種插補(bǔ)方法可以得到最準(zhǔn)確的結(jié)果。其操作是在SPSS菜單中選擇“分析缺失值分析”，彈出對(duì)話框，在右邊的變量框中選擇要填充的缺失數(shù)據(jù)（注意變量類型），在估算方法中選擇em，然后單擊em，將填充的數(shù)據(jù)保存為新的數(shù)據(jù)集