如何用5近邻非NaN值的均值填充地理数据集的缺失值？

看起来你已经迈出了正确的第一步，但用lag_spatial处理缺失值确实会踩坑——这个函数默认不会过滤邻居里的NaN值，而且如果目标点本身是NaN，计算结果也还是NaN。咱们换个更直接的思路：针对每个带NaN的点，手动筛选出它的5个近邻里的有效（非NaN）值，再计算均值填充，这样就靠谱多了。

下面是具体的实现步骤，完全基于你正在用的工具链：

第一步：提取坐标并构建KNN索引 #

首先把数据里的地理坐标提取成数组，用来构建KNN邻居索引：

import numpy as np
from libpysal.weights import KNN

# 从geometry列提取所有点的(x,y)坐标数组
coords = np.array(predictions_gdf.geometry.apply(lambda g: (g.x, g.y)).tolist())

# 构建k=5的KNN权重对象
w_knn = KNN(coords, k=5)

第二步：定义填充函数 #

接下来写一个自定义函数，专门处理每个缺失值的填充逻辑：

def fill_missing_with_neighbor_mean(row):
    # 如果当前值不是NaN，直接返回原值
    if not np.isnan(row['PPM_P']):
        return row['PPM_P']
    
    # 获取当前行的索引
    current_idx = row.name
    # 拿到该点的5个近邻的索引列表
    neighbor_indices = w_knn.neighbors[current_idx]
    # 提取这些邻居的PPM_P值，并且过滤掉其中的NaN
    valid_neighbor_values = predictions_gdf.loc[neighbor_indices, 'PPM_P'].dropna()
    
    # 返回有效邻居的均值（你说至少有一个非NaN，所以不用处理空值的情况）
    return valid_neighbor_values.mean()

第三步：应用函数填充缺失值 #

最后把这个函数应用到整个数据集上，生成填充后的列：

# 生成填充后的新列，也可以直接覆盖原列（根据你的需求来）
predictions_gdf['PPM_P_filled'] = predictions_gdf.apply(fill_missing_with_neighbor_mean, axis=1)

为什么之前的方法不行？ #

你之前用的lag_spatial是计算空间滞后项的工具，它的逻辑是直接对邻居值做加权平均（行归一化后就是简单均值），但它不会自动过滤邻居里的NaN，也不会处理目标点本身是NaN的情况——只要邻居里有NaN，或者目标点是NaN，结果就会是NaN，这就是你遇到问题的原因。而咱们手动筛选有效邻居的方式，能精准避开NaN的干扰。

备注：内容来源于stack exchange，提问作者julieb