0

如果我有类似这样的数据，“Date4”列中的缺失值，它是 datetime64[ns] dtype。

  • 在这种情况下如何处理缺失值？
  • 如果我想用 most_frequent 日期填充它怎么办，如何为日期完成？

我在几个网站上搜索了解决方案，但还没有得到正确的答案。

   No  Name      Date1      Date2      Date3      Date4
0   1  Per1 2015-05-25 2016-03-20 2016-03-22 2017-01-01
1   2  Per2 2015-06-26 2016-05-22 2016-06-22 2017-02-02
2   3  Per3 2015-09-28 2016-07-24 2016-07-26 2017-05-22
3   4  Per4 2015-11-21 2016-09-02 2016-05-09 2017-05-22
4   5  Per5 2015-12-25 2016-11-11 2016-11-14        NaT
4

2 回答 2

1 
In [135]: df
Out[135]:
       Date4
0 2017-01-01
1 2017-02-02
2 2017-05-22
3 2017-05-22
4        NaT

In [136]: df["Date4"].replace(np.nan, df["Date4"].mode().iloc[0])
Out[136]:
0   2017-01-01
1   2017-02-02
2   2017-05-22
3   2017-05-22
4   2017-05-22
Name: Date4, dtype: datetime64[ns]
于 2020-07-29T17:00:56.940 回答
1

您刚才描述的称为Imputation。Sklearn 的SimpleImputer()工作做得很好。您甚至可以指定如何填充缺失值。

imp=SimpleImputer(missing_values=np.nan, strategy = 'most_frequent')
df=pd.DataFrame(imp.fit_transform(df))
于 2020-07-29T17:06:14.460 回答