计算groupby中的nanmean，并根据子组将此平均值应用于DF列

Question

我正在尝试为数据框中的user_score列填充缺少的值。数据当前为字符串，包括'tbd'。我想用NaN替换'tbd'值，然后将列转换为float，然后计算游戏类型的user_score平均值，并根据类型将此平均值应用于user_score列中的每个NaN值（而不是使用总体用户得分平均值）

games['user_score'] = games['user_score'].replace('tbd', np.nan, inplace=True)
games['user_score'] = games['user_score'].astype(float)
#genre_mean = games.groupby('genre').agg({'user_score':np.mean})
games['user_score'] = games.groupby('genre', sort=False)['user_score'].apply(lambda x: x.fillna(x.mean()))
print(games.groupby('genre').agg({'user_score':np.mean}))
print(games['user_score'].head(10))

现在，当我在代码末尾打印groupby时，它会显示每个流派的用户_分数的平均值，即每个流派的NaN。然后我尝试在apply函数中使用.nanmean()，但它给了我一个错误。如何根据游戏类型将“用户分数”平均值应用于“用户分数”列中缺失的值

谢谢大家!

Answer 1

第一行中的user_score正在变为null：

games['user_score'] = games['user_score'].replace('tbd', np.nan, inplace=True)

如果同时分配user_score和使用inplace=True，则会清除user_score

不带inplace的赋值返回：

games['user_score'] = games['user_score'].replace('tbd', np.nan)

或使用inplace而不重新分配：

games['user_score'].replace('tbd', np.nan, inplace=True)