python数据缺失值填充

Python 中处理数据缺失值（通常用 `NaN` 表示）的常见方法有多种。最常用的方法包括：

1. 删除含有缺失值的记录：如果数据集中的缺失值不多，可以考虑直接删除含有缺失值的行或列。在 Python 中可以使用 `dropna()` 方法实现。

2. 填充缺失值：如果不能删除含有缺失值的记录，我们可以选择用某个值填充这些缺失值。这个值可以是固定值、均值、中位数、众数等。`fillna()` 方法是在 Python 中进行填充操作的常用函数。

3. 插值：插值是根据已有的数据点估计缺失数据的方法。最简单的是线性插值，但还有多项式插值、样条插值等更复杂的方法。

以下是一个简单的示例，展示如何在 Python 中使用 `fillna()` 方法填充缺失值：

import pandas as pd
import numpy as np

# 创建一个示例 DataFrame，其中包含一些缺失值
df = pd.DataFrame({
    'A': [1, 2, np.nan, 4],
    'B': [5, np.nan, np.nan, 8],
    'C': [9, 10, 11, 12]
})

# 使用均值填充缺失值
df_filled_with_mean = df.fillna(df.mean())

# 使用特定值填充缺失值
df_filled_with_value = df.fillna(0)

print(df_filled_with_mean)
print(df_filled_with_value)

在实际应用中，根据数据的特性选择合适的填充方法非常重要，因为不同的填充策略可能会对后续的数据分析或机器学习模型产生不同的影响。