如何在Pandas中基于已有数据分布随机填充Age category列缺失值？

要实现按现有非缺失数据的分布填充Age category列的NaN值，核心思路是按原类别占比随机抽取对应类别进行填充，这样能最大程度保证填充后的整体分布与原数据一致，具体步骤如下：

1. 获取现有数据的类别分布 #

如果已经明确知道各分类的占比（如36 - 45占29.5%、46 - 55占24.9%），可以直接手动定义分类列表和对应概率；如果需要从数据中自动提取更准确的分布，执行以下代码：

import pandas as pd
import numpy as np

# 从非缺失值中提取类别及对应占比
category_probs = df['Age category'].value_counts(normalize=True)

执行后category_probs会返回每个类别及其对应的占比（如36 - 45 0.295）。

2. 按分布随机填充缺失值 #

定位所有缺失值的位置，然后根据提取的占比随机选择类别填充：

# 获取所有缺失值的索引
na_indices = df[df['Age category'].isna()].index

# 按原分布随机生成填充值
fill_values = np.random.choice(
    category_probs.index,
    size=len(na_indices),
    p=category_probs.values
)

# 赋值填充
df.loc[na_indices, 'Age category'] = fill_values

如果是手动给定的占比，只需替换category_probs.index和category_probs.values为自定义的分类列表和概率列表即可，示例：

# 手动定义分类和对应概率
custom_categories = ['36 - 45', '46 - 55', '其他类别']
custom_probs = [0.295, 0.249, 0.456]

fill_values = np.random.choice(
    custom_categories,
    size=len(na_indices),
    p=custom_probs
)

3. 验证填充后的分布 #

填充完成后，可通过以下代码查看新的分布，确认与原数据差异：

print(df['Age category'].value_counts(normalize=True))

内容的提问来源于stack exchange，提问作者weizer