### Pandas `fillna` 函数的使用方法 Pandas 的 `fillna` 函数是一种强大的工具，专门用于解决数据集中存在的缺失值问题[^1]。它允许用户通过多种方式来填充这些缺失值，从而提高数据的质量和分析的有效性。 #### 方法一：使用常量值填充缺失值 最简单的方式是利用一个固定的数值替换所有的缺失值。例如： ```python import pandas as pd # 创建带有缺失值的数据框 df = pd.DataFrame({ 'A': [1, 2, None, 4], 'B': [5, None, 7, 8], 'C': [9, 10, 11, None] }) # 使用常量值0填充所有缺失值 df_filled = df.fillna(value=0) print(df_filled) ``` 上述代码展示了如何用固定值 `0` 来替代 DataFrame 中的所有缺失值[^3]。 #### 方法二：按列指定不同的填充值 如果不同列需要采用不同的默认值，则可以通过字典的形式传递给参数 `value`： ```python # 对每列设置特定的填充值 fill_values = {'A': 100, 'B': 200, 'C': 300} df_filled_specific = df.fillna(value=fill_values) print(df_filled_specific) ``` 这种方法提供了更大的灵活性，可以根据实际需求为每一列定义最适合的缺省值[^2]。 #### 方法三：前向或后向填充 (Forward Fill / Backward Fill) 除了直接赋值外，还可以基于已有的数据点来进行前后方向上的填充操作。“向前填充”意味着复制上一行有效观测到当前行；而“向后填充”则是指借用下一行可用记录完成补全过程。具体实现如下所示： ```python # 向前填充（沿轴向下） df_ffill = df.fillna(method='ffill') # 向后填充（沿轴向上） df_bfill = df.fillna(method='bfill') print("向前填充的结果:\n", df_ffill) print("\n向后填充的结果:\n", df_bfill) ``` 这里分别演示了两种模式下的效果对比情况[^4]。 #### 方法四：依据统计指标自动计算并填充 有时我们可能更倾向于让程序自己决定应该怎样去修补那些空白区域——比如取平均数、中位数或者其他某种聚合运算结果作为候选方案之一。下面给出了一种简单的例子展示如何应用列均值进行修复作业: ```python mean_A = df['A'].mean() median_B = df['B'].median() df_stat_fill = df.copy() df_stat_fill['A'] = df_stat_fill['A'].fillna(mean_A) df_stat_fill['B'] = df_stat_fill['B'].fillna(median_B) print(df_stat_fill) ``` 此片段说明了当面对连续型变量时可考虑运用其分布特性辅助决策制定流程[^5]。 --- ### 总结 以上介绍了几种常见场景下如何借助于 Pandas 提供的功能有效地应对各种类型的丢失信息挑战。无论是单一全局设定还是精细化控制策略都能找到对应的解决方案满足业务诉求。