pandas补充缺失值

在使用 Pandas 来处理缺失值时，可以借助以下方法进行补充：

1. 使用fillna()方法：该方法可以用指定的值来填充缺失值。例如，可以使用平均值、中位数或者众数来填充数值型数据，使用前一个非缺失值或者后一个非缺失值来填充时间序列数据，使用最常见的类别来填充分类数据。示例如下：

# 使用平均值填充数值型数据
df['column_name'].fillna(df['column_name'].mean(), inplace=True)

# 使用前一个非缺失值填充时间序列数据
df['column_name'].fillna(method='ffill', inplace=True)

# 使用最常见的类别填充分类数据
df['column_name'].fillna(df['column_name'].mode()[0], inplace=True)

2. 使用interpolate()方法：该方法可以通过线性插值或者多项式插值来填充缺失值，适用于有序数据。示例如下：

# 使用线性插值填充缺失值
df['column_name'].interpolate(method='linear', inplace=True)

# 使用多项式插值填充缺失值
df['column_name'].interpolate(method='polynomial', order=2, inplace=True)

3. 使用dropna()方法：该方法可以删除包含缺失值的行或列。示例如下：

# 删除包含缺失值的行
df.dropna(axis=0, inplace=True)

# 删除包含缺失值的列
df.dropna(axis=1, inplace=True)

根据具体情况选择适合的方法来补充缺失值。