{"id":4163,"date":"2023-07-13T04:35:37","date_gmt":"2023-07-13T04:35:37","guid":{"rendered":"https:\/\/statorials.org\/nl\/pandas-fillna-woordenboek\/"},"modified":"2023-07-13T04:35:37","modified_gmt":"2023-07-13T04:35:37","slug":"pandas-fillna-woordenboek","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/pandas-fillna-woordenboek\/","title":{"rendered":"Panda's: hoe nan-waarden in te vullen met behulp van een woordenboek"},"content":{"rendered":"

<\/p>\n

\n

Je kunt de functie fillna()<\/strong> gebruiken met een woordenboek om NaN-waarden in de ene kolom van een pandas DataFrame te vervangen op basis van waarden in een andere kolom.<\/span><\/p>\n

Om dit te doen, kunt u de volgende basissyntaxis gebruiken:<\/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
 Het volgende voorbeeld laat zien hoe u deze syntaxis in de praktijk kunt gebruiken.<\/span><\/p>\n
 Voorbeeld: Vul NaN-waarden in Panda’s in met behulp van een woordenboek<\/strong><\/span><\/h2>\n
 Laten we zeggen dat we het volgende panda’s DataFrame hebben dat informatie bevat over verkopen in verschillende winkels:<\/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
 Houd er rekening mee dat er meerdere NaN-waarden in de kolom Verkoop<\/strong> staan.<\/span><\/p>\n
 Stel dat we deze NaN’s in de verkoopkolom<\/strong> willen invullen met waarden die overeenkomen met specifieke waarden in de winkelkolom<\/strong> .<\/span><\/p>\n
 We kunnen hiervoor de volgende syntaxis gebruiken:<\/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
 We hebben een woordenboek gebruikt om de volgende vervangingen in de verkoopkolom aan te brengen:<\/span><\/p>\n