Python中fillna函数的不同填充策略

在Python的pandas库中，fillna()函数用于填充缺失值（NaN）

1. 使用常数值填充： 可以使用一个指定的常数值来填充缺失值。例如，将所有缺失值替换为0：

   df.fillna(0, inplace=True) 

2. 使用前一个值填充（前向填充）： 可以使用缺失值之前的那个值来填充缺失值。这种方法也称为前向填充（forward fill）。例如：

   df.fillna(method='ffill', inplace=True) 

3. 使用后一个值填充（后向填充）： 可以使用缺失值之后的那个值来填充缺失值。这种方法也称为后向填充（backward fill）。例如：

   df.fillna(method='bfill', inplace=True) 

4. 使用平均值填充： 可以使用缺失值所在列的平均值来填充缺失值。例如：

   df.fillna(df.mean(), inplace=True) 

5. 使用中位数填充： 可以使用缺失值所在列的中位数来填充缺失值。例如：

   df.fillna(df.median(), inplace=True) 

6. 使用众数填充： 可以使用缺失值所在列的众数来填充缺失值。例如：

   df.fillna(df.mode().iloc[0], inplace=True) 

7. 使用插值填充： 可以使用插值方法来填充缺失值。例如，使用线性插值：

   df.interpolate(method='linear', inplace=True) 

在使用fillna()函数时，可以根据实际需求选择合适的填充策略。注意，填充缺失值是数据预处理的一部分，应该根据数据的特点和分析目标来选择合适的方法。