сохранить регрессию модели регрессии на df с помощью nans

Question

>>> df = pd.DataFrame({'a': [1,1,1,1,2,2,2,2], 'b': [0,0,np.nan,1,0,0,1,1], 'c': [5,5,5,np.nan,9,9,6,6]})
>>> df
   a    b    c
0  1  0.0  5.0
1  1  0.0  5.0
2  1  NaN  5.0
3  1  1.0  NaN
4  2  0.0  9.0
5  2  0.0  9.0
6  2  1.0  6.0
7  2  1.0  6.0

Чтобы сохранить прогнозы из регрессии a ~ b, я делаю:

>>> df['pr'] = np.nan
>>> idx = df[(~df.a.isnull()) & (~df.b.isnull())].index
>>> df.loc[idx,'pr'] = sm.OLS(df.a, df.b, missing = 'drop').fit().predict()
>>> df
   a    b    c        pr
0  1  0.0  5.0  0.000000
1  1  0.0  5.0  0.000000
2  1  NaN  5.0       NaN
3  1  1.0  NaN  1.666667
4  2  0.0  9.0  0.000000
5  2  0.0  9.0  0.000000
6  2  1.0  6.0  1.666667
7  2  1.0  6.0  1.666667

1. Есть ли какой-либо недостаток в этой логике, что-либо, что может привести к ошибкам в моих данных?
2. Есть ли более простой способ сделать это?Например, Stata, которая более специфична для конкретной цели, сама все это вычислит, когда найдет нули.