Python填充平均值
在数据分析和处理中，经常会遇到缺失值的情况。缺失值的处理是数据预处理的一个重要步骤，对于一些统计分析和机器学习算法来说，缺失值会造成严重的问题。为了解决这个问题，通常可以使用平均值来填充缺失值。本文将介绍如何使用Python来填充缺失值，并提供相应的代码示例。
填充平均值的原理
填充平均值的原理很简单，即用数据集中所有非缺失值的平均值来替代缺失值。这种方法的优点是简单易行，可以保持数据的整体分布特征。但是也存在一些缺点，比如会导致数据集的方差减小，不适用于非数值型数据等。
Pandas库的使用
在Python中，可以使用Pandas库来处理和分析数据。Pandas库提供了各种功能强大的数据结构和数据操作工具，是数据分析和数据预处理的重要工具之一。接下来的示例将演示如何使用Pandas库来填充平均值。
首先，我们需要导入Pandas库：
import pandas as pd
然后，我们可以创建一个包含缺失值的数据集，并将其存储为Pandas的数据框：
data = {'A': [1, 2, None, 4, 5],
'B': [None, 2, 3, 4, None],
'C': [1, None, None, 4, 5]}
df = pd.DataFrame(data)
接下来，我们可以使用fillna()函数来填充缺失值。该函数可以接受一个参数，用来指定填充的值。我们可以使用mean()函数来计算平均值，并将其作为参数传递给fillna()函数：
df_filled = df.fillna(df.mean())
这样，缺失值就会被平均值所填充。我们可以使用print()函数来查看填充后的数据框：
print(df_filled)
输出结果如下：
A B C
0 1.0 3.0 1.0
1 2.0 2.0 3.0
2 3.0 3.0 3.0
3 4.0 4.0 4.0
4 5.0 3.0 5.0
可以看到，缺失值已经被各自列的平均值所填充。
批量填充平均值
以上示例只是针对一个数据框进行缺失值填充的操作。如果我们有多个数据框需要进行填充，可以使用循环来批量处理。下面的代码演示了如何使用循环来批量填充平均值：
data = {'A': [1, 2, None, 4, 5],
'B': [None, 2, 3, 4, None],
'C': [1, None, None, 4, 5]}
dfs = [pd.DataFrame(data) for _ in range(3)]
for df in dfs:
df_filled = df.fillna(df.mean())
print(df_filled)
print()
输出结果如下：
A B C
0 1.0 3.0 1.0
1 2.0 2.0 3.0
2 3.0 3.0 3.0
3 4.0 4.0 4.0
4 5.0 3.0 5.0
A B C
0 1.0 3.0 1.0
1 2.0 2.0 3.0
2 3.0 3.0 3.0
3 4.0 4.0 4.0
4 5.0 3.0 5.0
A B C
0 1.
