Python中缺失值填充

在Python数据分析中，处理缺失值是一项常见的任务，因为数据集中可能会包含不完整的信息。Python中有几种方法可以用来填充缺失值：

1. **直接赋值**：可以直接用某个值替换所有的缺失值，例如常数（0、NaN或特定的标记值）、上一个非缺失值、平均值、中位数或众数等。

   df['column_name'].fillna(value, inplace=True)  # value为替换的值，默认False，如果设为True会直接修改原 DataFrame

2. **使用 `ffill` 和 `bfill`**：向前填充（`ffill`）使用前一个非缺失值，向后填充（`bfill`）使用后一个非缺失值。

   df['column_name'].fillna(method='ffill', inplace=True)
   df['column_name'].fillna(method='bfill', inplace=True)

3. **使用 `interpolate`**：这是一种插值方法，可以根据上下文（线性、多项式、指数或其他算法）估算缺失值。

   df['column_name'].interpolate(inplace=True)  # 默认线性插值
   df['column_name'].interpolate(kind='polynomial', order=2)  # 使用多项式插值

4. **使用 Pandas 函数 `fillna` 或 `replace` 中的 `method` 参数**：提供其他策略如 'mean' (均值), 'median' (中位数), 'mode' (众数) 或自定义函数。

   df['column_name'].fillna(df['column_name'].mean(), inplace=True)
   df['column_name'].replace(np.nan, df['column_name'].mean(), inplace=True)