Pandas里的fillna方法怎么用？不同参数各有什么效果？

在Pandas中，`fillna`是用于填充缺失值的重要方法。 ### 使用方法 `fillna`方法的基本语法为`DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None)`。以下是各参数的解释及使用示例： - `value`：用于填充缺失值的标量值或字典。若为字典，可对不同列指定不同的填充值。 ```python import pandas as pd import numpy as np df = pd.DataFrame({'A': [1, np.nan, 3], 'B': [np.nan, 5, 6]}) # 使用标量值填充 df_filled_scalar = df.fillna(0) # 使用字典填充 df_filled_dict = df.fillna({'A': 10, 'B': 20}) ``` - `method`：指定填充方法，如`ffill`（向前填充）和`bfill`（向后填充）。 ```python # 向前填充 df_ffill = df.fillna(method='ffill') # 向后填充 df_bfill = df.fillna(method='bfill') ``` - `axis`：指定填充方向，`axis=0`沿列方向，`axis=1`沿行方向。 ```python # 沿行方向填充 df_fill_row = df.fillna(method='ffill', axis=1) ``` - `inplace`：布尔值，若为`True`，则在原DataFrame上进行修改；若为`False`，则返回一个新的DataFrame。 ```python # 在原DataFrame上填充 df.fillna(0, inplace=True) ``` - `limit`：指定连续填充的最大数量。 ```python # 最多填充一个缺失值 df_fill_limit = df.fillna(method='ffill', limit=1) ``` ### 应用场景 - **数据清洗**：在处理原始数据时，数据中可能存在大量缺失值，使用`fillna`可以将这些缺失值填充，使数据完整，便于后续分析。 - **时间序列数据处理**：对于时间序列数据，可使用`ffill`或`bfill`根据前后的数据填充缺失值，以保持数据的连续性。 - **电商分析领域**：合理运用`fillna`及其相关技巧能够显著提升数据质量，为后续的统计分析打下坚实基础[^1]。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇 Java和Python里字符串拼接与重复操作各有哪些常用方法？