按产品分组用均值填充RANK列NaN值时遇TypeError报错求助

你遇到的这个报错问题根源在于代码里的两个关键错误，咱们一步步拆解：

• inplace=True的误用：当你设置inplace=True时，fillna()方法会直接修改原数据并返回None。你把这个None赋值给了df，后续循环里再对df做索引操作自然就会抛出TypeError，因为None没有__getitem__方法（也就是不能用[]索引）。
• 循环中覆盖原DataFrame的问题：每次循环你都把df重新赋值为单个产品的切片处理结果，这会导致原DataFrame被逐步覆盖，最后只剩下最后一个产品的数据，完全不符合你的需求。

推荐的高效解决方案 #

用Pandas内置的groupby+transform方法，这是处理这类分组填充问题的最优方式，不用手动写循环：

df['RANK'] = df.groupby('PRODUCT')['RANK'].transform(lambda x: x.fillna(x.mean()))

这段代码的逻辑：

1. groupby('PRODUCT')：按PRODUCT字段对DataFrame分组
2. transform：将每个分组的计算结果（该组RANK的均值）广播回原DataFrame对应的位置，完美保留原数据的结构
3. 匿名函数里用当前分组的均值填充组内的NaN值

如果你想保留循环思路（不推荐，效率较低） #

可以修改代码避免覆盖原数据和误用inplace：

# 先复制原DataFrame，防止修改原始数据
df_filled = df.copy()
for product in df['PRODUCT'].unique():
    # 计算当前产品的RANK均值
    rank_mean = df[df['PRODUCT'] == product]['RANK'].mean()
    # 定位到当前产品的RANK列，填充NaN值
    df_filled.loc[df_filled['PRODUCT'] == product, 'RANK'] = df_filled.loc[df_filled['PRODUCT'] == product, 'RANK'].fillna(rank_mean)
print(df_filled)

内容的提问来源于stack exchange，提问作者Cyrille MODIANO