熊猫-基于groupby中其他列设置列的最佳方法

我很难想象在熊猫中实现这一目标的另一种方法。我的方式“有效”，但速度非常慢。在高层次上，我想这样做：

1. 将数据分组为a id，找到的中值a。
2. 找出的每个值a与其组中位数之间的差
3. 在一组中值中找到最大值
4. 然后，在该组中，如果a缺少/不可用，a则如果发现的值step 3小于公差（例如1），则将其覆盖/设置为中位数。

这是我的方法：

假设数据帧为df：

df = pd.DataFrame({'id': [1,1,2,2,3], 'a': [1, np.nan, 3, 1, 2], 'b': [np.nan, 6, 5, np.nan, 4], 'c': [4, 1, 2, 3, 3]})

    id   a    b  c
0   1  1.0  NaN  4
1   1  NaN  6.0  1
2   2  3.0  5.0  2
3   2  1.0  NaN  3
4   3  2.0  4.0  3

步骤1：

df['median'] = df.groupby(['id'])['a'].transform('median')

第2步：

df['diff'] = abs(df['a'] - df['median'])

步骤3：

df['diff'] = df.groupby(['id'])['diff'].transform('max')

第四步：

for key, g in df.groupby(['id']):
    index = (df.id == key) & (df['diff'] < 1.0) & (df.a.isna())
    if not df[index].empty:
        df.loc[index, 'a'] = g['median']

我相对相信步骤1-3是正确的，并且以有效的方式完成了（希望在偶代大熊猫中完成）。第4步我不喜欢，我很确定这是瓶颈，而且这似乎是错误的方法。我想不通另一种方法。

在改进第4步中有什么建议（如果有错，则建议1-3，或者可以采取更好的方法）？

编辑：正如您可能已经注意到的，如果您已经做到了这一点，这只是我尝试以特定方式填充缺失值。如果有一种更简单的方法来完成整件事，那么我很烦:)