参照：https://blog.csdn.net/weixin_38168620/article/details/79596819

import pandas as pd
import numpy as np
from numpy import nan as NaN

填充缺失数据

fillna()是最主要的处理方式了。

df1=pd.DataFrame([[1,2,3],[NaN,NaN,2],[NaN,NaN,NaN],[8,8,NaN]])
df1

代码结果：
　　　　0	1	2
0	1.0	2.0	3.0
1	NaN	NaN	2.0
2	NaN	NaN	NaN
3	8.0	8.0	NaN
用常数填充：
df1.fillna(100)
1
代码结果：
　　　　0	1	2
0	1.0	2.0	3.0
1	100.0	100.0	2.0
2	100.0	100.0	100.0
3	8.0	8.0	100.0
通过字典填充不同的常数：
df1.fillna({0:10,1:20,2:30})
1
代码结果：
　　　　0	1	2
0	1.0	2.0	3.0
1	10.0	20.0	2.0
2	10.0	20.0	30.0
3	8.0	8.0	30.0
传入inplace=True直接修改原对象：
df1.fillna(0,inplace=True)
df1
1
2
代码结果：
　　　　0	1	2
0	1.0	2.0	3.0
1	0.0	0.0	2.0
2	0.0	0.0	0.0
3	8.0	8.0	0.0
传入method=” “改变插值方式：
df2=pd.DataFrame(np.random.randint(0,10,(5,5)))
df2.iloc[1:4,3]=NaN;df2.iloc[2:4,4]=NaN
df2
1
2
3
代码结果：
　　　　0	1	2	3	4
0	6	6	2	4.0	1.0
1	4	7	0	NaN	5.0
2	6	5	5	NaN	NaN
3	1	9	9	NaN	NaN
4	4	8	1	5.0	9.0
df2.fillna(method='ffill')#用前面的值来填充
1
代码结果：
　　　　0	1	2	3	4
0	6	6	2	4.0	1.0
1	4	7	0	4.0	5.0
2	6	5	5	4.0	5.0
3	1	9	9	4.0	5.0
4	4	8	1	5.0	9.0
传入limit=” “限制填充个数：
df2.fillna(method='bfill',limit=2)
1
代码结果：
　　　　0	1	2	3	4
0	6	6	2	4.0	1.0
1	4	7	0	NaN	5.0
2	6	5	5	5.0	9.0
3	1	9	9	5.0	9.0
4	4	8	1	5.0	9.0
传入axis=” “修改填充方向：
df2.fillna(method="ffill",limit=1,axis=1)
1
代码结果：
　　　　0	1	2	3	4
0	6.0	6.0	2.0	4.0	1.0
1	4.0	7.0	0.0	0.0	5.0
2	6.0	5.0	5.0	5.0	NaN
3	1.0	9.0	9.0	9.0	NaN
4	4.0	8.0	1.0	5.0	9.0