Python中如何按指定列分组均值填充另一列的NaN缺失值

你可以直接用pandas内置的分组变换功能完成需求，不需要写自定义循环，代码简洁且运行效率高。

实现步骤 #

• 导入数据处理依赖库pandas和numpy（用于生成缺失值标识）
• 按Bedroom字段分组，计算每组内Bathroom字段的非缺失值均值，通过transform方法把均值映射回原表每一行
• 用映射得到的分组均值填充Bathroom字段的NaN值

完整可运行代码 #

import pandas as pd
import numpy as np

# 构造提供的样例数据集
df = pd.DataFrame({
    'Bathroom': [1, 2, 1, 2, np.nan, np.nan],
    'Bedroom': [1, 2, 2, 3, 2, 3]
})

# 核心逻辑：生成分组均值对齐序列，填充缺失值
df['Bathroom'] = df['Bathroom'].fillna(
    df.groupby('Bedroom')['Bathroom'].transform('mean')
)

结果验证 #

运行代码后输出的数据集如下，完全符合给定的填充规则：

补充说明 #

• transform('mean')会自动排除每组内的NaN值计算均值，不需要额外手动过滤非缺失条目
• 如果存在某组Bathroom字段全为缺失值的场景，对应位置填充后仍为NaN，可以在上述代码后追加全局均值填充做兜底：

  # 全列缺失场景兜底填充
  df['Bathroom'] = df['Bathroom'].fillna(df['Bathroom'].mean())
  

内容的提问来源于stack exchange，提问作者Aman