Python：按Title列分组，用对应年龄范围随机值替换Age列NaN

需求说明 #

根据Title列的分组，用对应分组年龄范围内的随机数值替换Age列中的NaN值。已知每个Title组有对应年龄范围（如Mrs组最大年龄76，Mr组最大67），共9个Title分组。

示例数据 #

简化样本 #

Age     Title
34.5        Mr
47.0        Mrs
62.0        Mr
27.0        Mr
22.0        Mrs
14.0        Mr
30.0        Miss
26.0        Mr
18.0        Mrs
21.0        Mr
NaN     Mr
46.0        Mr

完整DataFrame示例 #

PassengerId Survived    Pclass  Sex Age SibSp   Parch   Ticket  Fare    Embarked    Title
0   892 0   3   male    34.5    0   0   330911  7.8292  Q   Mr
1   893 1   3   female  47.0    1   0   363272  7.0000  S   Mrs
2   894 0   2   male    62.0    0   0   240276  9.6875  Q   Mr
3   895 0   3   male    27.0    0   0   315154  8.6625  S   Mr
4   896 1   3   female  22.0    1   1   3101298 12.2875 S   Mrs
... ... ... ... ... ... ... ... ... ... ... ...
413 1305    0   3   male    NaN 0   0   A.5. 3236   8.0500  S   Mr
414 1306    1   1   female  39.0    0   0   PC 17758    108.9000    C   Dona
415 1307    0   3   male    38.5    0   0   SOTON/O.Q. 3101262  7.2500  S   Mr
416 1308    0   3   male    NaN 0   0   359309  8.0500  S   Mr
417 1309    0   3   male    5.0 1   1   2668    22.3583 C   Master

尝试过的无效代码 #

1. 单个分组固定值赋值：

titanic_df2.loc[(titanic_df2.Title =='Mr') & (titanic_df2['Age'].isnull()), 'Age'] = 14

2. 错误的分组批量赋值：

g = titanic_df2.groupby('Title', group_keys=False)
titanic_df2.loc[(g & (titanic_df2['Age'].isnull())), 'Age'] = random.randint(g.min(),g.max())

解决方案 #

方案1：使用已知的年龄范围字典 #

如果已经明确每个Title的年龄范围，直接定义字典批量填充：

import numpy as np

# 替换为实际已知的9个Title年龄范围
title_age_ranges = {
    'Mr': (14, 67),
    'Mrs': (18, 76),
    'Miss': (0, 30),
    'Master': (0, 10),
    'Dona': (30, 60),
    # 补充剩余4个Title的范围
}

# 遍历每个分组填充NaN
for title, (min_age, max_age) in title_age_ranges.items():
    mask = (titanic_df2['Title'] == title) & titanic_df2['Age'].isna()
    # 生成对应数量的随机整数，若需浮点用np.random.uniform
    titanic_df2.loc[mask, 'Age'] = np.random.randint(min_age, max_age + 1, size=mask.sum())

方案2：从数据中自动计算分组年龄范围 #

如果没有预先知道范围，直接从现有非NaN数据中提取每个Title的年龄极值：

import numpy as np

# 计算每个Title的Age最小、最大值（过滤掉无有效Age的分组）
title_age_stats = titanic_df2.groupby('Title')['Age'].agg(['min', 'max']).dropna()

# 遍历分组填充
for title, row in title_age_stats.iterrows():
    min_age, max_age = row['min'], row['max']
    mask = (titanic_df2['Title'] == title) & titanic_df2['Age'].isna()
    titanic_df2.loc[mask, 'Age'] = np.random.randint(min_age, max_age + 1, size=mask.sum())

无效代码问题说明 #

• 第一段代码仅能给单个分组赋值固定值，无法满足随机范围需求，且效率低下。
• 第二段代码存在两处错误：groupby对象不能直接与布尔索引做逻辑运算；random.randint只能生成单个整数，无法批量生成对应行数的随机数。

内容的提问来源于stack exchange，提问作者Nasim Al Goni Shourav