我有一个如下所示的时间序列:

from datetime import datetimedates = [datetime(2011, 1, 2), datetime(2011, 1, 5), datetime(2011, 1, 7), datetime(2011, 1, 8), datetime(2011, 1, 10), datetime(2011, 1, 12)]ts = pd.DataFrame({"a":np.random.randn(6),"b":np.random.randn(6)}, index=dates)ts.iloc[2,0]=np.nants.iloc[3,1]=np.nan

在许多情况下，我们需要将其转换为不含空值的numpy数组，并进行不同的处理，比如神经网络等…

ts.dropna().values

例如，假设通过numpy数组计算（聚类、神经网络等）生成了一个新的列c:

那么，将其添加到原始DataFrame中，最好是变成如下形式:

换句话说，在这个工作流程中:

1- 从pandas多特征时间序列DataFrame开始

2- 移除空值

3- 从步骤2中计算一个新的数组（分类、神经网络等）

4- 将步骤3中创建的数组添加到步骤1的原始DataFrame中（如何正确地做到这一点？）

我知道有些人可能会说我们可以整个过程都使用pandas，但假设表格变成三维的，我们需要将其转换为numpy数组。

谢谢！

回答：

尝试使用isna/notna来掩盖你的数据，然后使用.loc来重新赋值:

valids = ts.notna().all(axis=1)# 相当于 ts.dropna().valuesdata = ts[valids].to_numpy()# 进行处理preds = KMeans().fit_predict(data)# preds = [0, 0, 0, 1]# 重新赋值预测# 如果你的预测是2D的，如图所示，使用ravelvalids, 'pred'] = preds.ravel()