pandas groupby lteration不起作用

我根据一些不同的组将数据分成训练集，验证集和测试集 . 目的是这些集合将具有大致相同的不同类别的份额 .

之后，我正在尝试扩展训练集中每列的数据，并对验证和测试集使用相同的转换 . 由于我遍历训练集中的所有数字列，我想我可以同时对不同的组进行均值估算 . 因此，只遍历数字列（要素）一次 .

下面的工作代码用于按列扩展所有功能：

for feature_name in numeric_columns:
    tmp_feature_mean = train[feature_name].mean()
    tmp_feature_std = train[feature_name].std()

    train[feature_name].apply(lambda x: (x-tmp_feature_mean)/tmp_feature_std) # !Works
    val[feature_name].apply(lambda x: (x-tmp_feature_mean)/tmp_feature_std) # !Works
    test[feature_name].apply(lambda x: (x-tmp_feature_mean)/tmp_feature_std) # !Works
    train[feature_name] = (train[feature_name]-tmp_feature_mean)/tmp_feature_std # Works
    val[feature_name] = (val[feature_name]-tmp_feature_mean)/tmp_feature_std # Works
    test[feature_name] = (test[feature_name]-tmp_feature_mean)/tmp_feature_std # Works

应用版本似乎没有做任何事情 .

现在我想做的是用该组的平均值取代NaNs . 我尝试了以下方法：

train_Scaled = train.groupby(['class', 'type'])
val_Scaled = val.groupby(['class', 'type'])
test_Scaled = test.groupby(['class', 'type'])

for feature_name in numeric_columns:
    train_feature_mean = train_Scaled[feature_name].mean()
    print "train_feature_mean: {}".format(train_feature_mean)

    train_feature_std = train_Scaled[feature_name].std()
    print "train_feature_std: {}".format(train_feature_std)

    train_Scaled[feature_name] = (train_Scaled[feature_name]-train_feature_mean)/train_feature_std # ValueError
    val_Scaled[feature_name] = (val_Scaled[feature_name]-train_feature_mean)/train_feature_std
    test_Scaled[feature_name] = (test_Scaled[feature_name]-train_feature_mean)/train_feature_std

    for name, group in train_Scaled:    
        train_feature_group_mean = train_Scaled[feature_name].get_group(name).mean()
        print train_feature_group_mean

        train_feature_group_std = train_Scaled[feature_name].get_group(name).std()
        print train_feature_group_std

因此，对于类和类型的每个组合，我想用该组合的均值填充NaN . 在上面的代码中，我根本没有包含填充，因为我已经遇到了一个问题：

train_Scaled[feature_name] = (train_Scaled[feature_name]-train_feature_mean)/train_feature_std# Works

现在它失败了以前版本中的代码 . 差异可能与分组有关 .

我还测试过首先通过组遍历并通过功能进行迭代 . 这样，我试着像这样填充NaN：train_Scaled [feature_name] .get_group（name）.fillna（train_group_feature_mean）

但那没有做任何事情 . 但是，重要的是还要在验证和测试集中使用训练集的组平均值填充NaN .

最后，我希望在“普通”pandas数据帧中进行训练，验证和测试集，而无需任何分组 . 这是一个不好的方式来到那里？我可以遍历每个类和类型的组合来完成它，但是我更喜欢group by可以利用部分迭代，因为我可能想要添加其他列以便稍后进行分组 .

我是蟒蛇和熊猫的新手，所以如果我遇到了一些完全错误的话，我并不感到惊讶 .