Pandas idiomatic Weg zu benutzerdefinierten fillna

Question

Ich habe Zeitreihendaten im folgenden Format, wo ein Wert eine kumulierte Menge seit der letzten Aufzeichnung angibt. Was ich tun möchte, ist „Spread“, dass die akkumulierte Menge in den letzten Perioden enthält NaN so dass dieser Eingang:

s = pd.Series([0, 0, np.nan, np.nan, 75, np.nan, np.nan, np.nan, np.nan, 50], 
       pd.date_range(start="Jan 1 2016", end="Jan 10 2016", freq='D')) 

2016-01-01  0.0 
2016-01-02  0.0 
2016-01-03  NaN 
2016-01-04  NaN 
2016-01-05  75.0 
2016-01-06  NaN 
2016-01-07  NaN 
2016-01-08  NaN 
2016-01-09  NaN 
2016-01-10  50.0 

Dieser Ausgang wird:

2016-01-01  0.0 
2016-01-02  0.0 
2016-01-03 25.0 
2016-01-04 25.0 
2016-01-05 25.0 
2016-01-06 10.0 
2016-01-07 10.0 
2016-01-08 10.0 
2016-01-09 10.0 
2016-01-10 10.0 

Gibt es eine idiomatische Pandas Art und Weise, dies zu tun anstatt nur eine for-Schleife über die Daten zu machen? Ich habe versucht, eine Vielzahl von Dingen mit fillna, dropna, isnull, shift zu tun, um den nächsten Wert, usw. zu überprüfen, aber ich kann nicht sehen, wie man die Stücke zusammen setzt.

Answer 1

Dies könnte für jedes Stück von fehlenden Werten arbeitet, eine Gruppenvariable mit cumsum (Ende der Serie) erstellen und dann auf jedem Chunk eine gruppierte durchschnittliche Operation durchführen:

s.groupby(s.notnull()[::-1].cumsum()[::-1]).transform(lambda g: g[-1]/g.size) 

#2016-01-01  0.0 
#2016-01-02  0.0 
#2016-01-03 25.0 
#2016-01-04 25.0 
#2016-01-05 25.0 
#2016-01-06 10.0 
#2016-01-07 10.0 
#2016-01-08 10.0 
#2016-01-09 10.0 
#2016-01-10 10.0 
#Freq: D, dtype: float64 

---

Oder eine andere Option:

s.groupby(s.shift().notnull().cumsum()).transform(lambda g: g[-1]/g.size) 

#2016-01-01  0.0 
#2016-01-02  0.0 
#2016-01-03 25.0 
#2016-01-04 25.0 
#2016-01-05 25.0 
#2016-01-06 10.0 
#2016-01-07 10.0 
#2016-01-08 10.0 
#2016-01-09 10.0 
#2016-01-10 10.0 
#Freq: D, dtype: float64