Pandas列子集分组：用众数填充Tom的缺失值问题

原代码的问题 #

你的代码存在两个关键问题：

• 使用inplace=True时，fillna会返回None，直接赋值给data['value']会把整列覆盖为空值
• 计算众数时用了整个数据集的Value列，而非仅Tom子集的众数，不符合需求

针对Tom子集的正确实现 #

方式一：分步处理（直观易懂） #

# 先计算Tom分组中Value的众数
tom_mode = data.loc[data["Name"] == 'Tom', 'Value'].mode()[0]
# 仅对Tom的缺失Value进行填充
data.loc[data["Name"] == 'Tom', 'Value'] = data.loc[data["Name"] == 'Tom', 'Value'].fillna(tom_mode)

方式二：用groupby+transform简化代码 #

如果后续需要扩展到其他分组，这个写法更灵活：

# 对每个Name分组，用自身的众数填充缺失值
data['Value'] = data.groupby('Name')['Value'].transform(lambda x: x.fillna(x.mode()[0]))

要是只想针对Tom，加个条件过滤即可：

import pandas as pd

data['Value'] = data.apply(
    lambda row: row['Value'] 
    if row['Name'] != 'Tom' or pd.notna(row['Value']) 
    else data.loc[data['Name'] == 'Tom', 'Value'].mode()[0],
    axis=1
)

处理多个目标分组（比如Tom和jack） #

如果要给多个Name（如Tom、jack）分别用各自的众数填充，推荐用groupby结合筛选的方式：

# 指定需要处理的Name列表
target_names = ['Tom', 'jack']
# 筛选出目标行，按组填充
mask = data['Name'].isin(target_names)
data.loc[mask, 'Value'] = data[mask].groupby('Name')['Value'].transform(lambda x: x.fillna(x.mode()[0]))

注意：如果某个分组的Value全是NaN（比如jack的情况），x.mode()[0]会报错，可以加兜底逻辑：

def fill_mode(x):
    mode_result = x.mode()
    # 全空时用0填充，可根据需求修改为其他值
    return x.fillna(mode_result[0] if not mode_result.empty else 0)

mask = data['Name'].isin(['Tom', 'jack'])
data.loc[mask, 'Value'] = data[mask].groupby('Name')['Value'].transform(fill_mode)

最终效果 #

处理后Tom的两个NaN会被填充为20.0（Tom子集Value的众数），jack的NaN若用兜底逻辑会被填0，其他分组的缺失值保持不变。

内容的提问来源于stack exchange，提问作者Jack