{"id":4161,"date":"2023-07-13T04:35:37","date_gmt":"2023-07-13T04:35:37","guid":{"rendered":"https:\/\/statorials.org\/de\/pandas-fillna-worterbuch\/"},"modified":"2023-07-13T04:35:37","modified_gmt":"2023-07-13T04:35:37","slug":"pandas-fillna-worterbuch","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/pandas-fillna-worterbuch\/","title":{"rendered":"Pandas: so f\u00fcllen sie nan-werte mithilfe eines w\u00f6rterbuchs"},"content":{"rendered":"

<\/p>\n

\n

Sie k\u00f6nnen die Funktion fillna()<\/strong> mit einem W\u00f6rterbuch verwenden, um NaN-Werte in einer Spalte eines Pandas-DataFrames basierend auf Werten in einer anderen Spalte zu ersetzen.<\/span><\/p>\n

Dazu k\u00f6nnen Sie die folgende grundlegende Syntax verwenden:<\/span><\/p>\n

 #define dictionary<\/span>\ndict = {' A<\/span> ': 5<\/span> , ' B<\/span> ': 10<\/span> , ' C<\/span> ': 15<\/span> , ' D<\/span> ': 20<\/span> }\n\n#replace values in col2 based on dictionary values in col1\n<\/span>df[' col2<\/span> '] = df[' col2<\/span> ']. fillna<\/span> (df[' col1<\/span> ']. map<\/span> (dict))<\/strong><\/pre>\n
 Das folgende Beispiel zeigt, wie diese Syntax in der Praxis verwendet wird.<\/span><\/p>\n
 Beispiel: F\u00fcllen Sie NaN-Werte mithilfe eines W\u00f6rterbuchs in Pandas aus<\/strong><\/span><\/h2>\n
 Nehmen wir an, wir haben den folgenden Pandas-DataFrame, der Informationen \u00fcber Verk\u00e4ufe in verschiedenen Einzelhandelsgesch\u00e4ften enth\u00e4lt:<\/span><\/p>\n
 import<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' store<\/span> ': ['A', 'A', 'B', 'C', 'D', 'C', 'B', 'D'],\n                   ' sales<\/span> ': [12, np.nan, 30, np.nan, 24, np.nan, np.nan, 13]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n  blind sales\n0 to 12.0\n1 A NaN\n2 B 30.0\n3 C NaN\n4 D 24.0\n5CNaN\n6BNaN\n7 D 13.0<\/strong><\/pre>\n
 Beachten Sie, dass die Spalte \u201eUms\u00e4tze\u201c<\/strong> mehrere NaN-Werte enth\u00e4lt.<\/span><\/p>\n
 Nehmen wir an, wir m\u00f6chten diese NaNs in der Verkaufsspalte<\/strong> mit Werten f\u00fcllen, die bestimmten Werten in der Store-<\/strong> Spalte entsprechen.<\/span><\/p>\n
 Wir k\u00f6nnen dazu die folgende Syntax verwenden:<\/span><\/p>\n
 #define dictionary<\/span>\ndict = {' A<\/span> ': 5<\/span> , ' B<\/span> ': 10<\/span> , ' C<\/span> ': 15<\/span> , ' D<\/span> ': 20<\/span> }\n\n#replace values in sales column based on dictionary values in store column\n<\/span>df[' sales<\/span> '] = df[' sales<\/span> ']. fillna<\/span> (df[' store<\/span> ']. map<\/span> (dict))\n\n#view updated DataFrame<\/span>\nprint<\/span> (df)\n\n  blind sales\n0 to 12.0\n1 A 5.0\n2 B 30.0\n3C 15.0\n4 D 24.0\n5C 15.0\n6 B 10.0\n7 D 13.0\n<\/strong><\/pre>\n
 Wir haben ein W\u00f6rterbuch verwendet, um die folgenden Ersetzungen in der Verkaufsspalte vorzunehmen:<\/span><\/p>\n