pandas 填充数据

pandas 是一个强大的 Python 数据分析库，它可以用来操作和处理数据。在数据分析中，经常需要对缺失的数据进行填充，以保证分析的准确性。pandas 提供了多种方法进行数据填充，包括使用常数、使用前向填充、使用后向填充等。

常数填充

常数填充是指将缺失值用指定的常数填充。可以使用 fillna() 方法进行填充。例如，将所有缺失值填充为 0：

import pandas as pd

df = pd.DataFrame({'A': [1, 2, None, 4],
                   'B': [5, None, 7, 8],
                   'C': [9, 10, 11, None]})

df.fillna(0, inplace=True)
print(df)

输出结果：

     A    B     C
0  1.0  5.0   9.0
1  2.0  0.0  10.0
2  0.0  7.0  11.0
3  4.0  8.0   0.0

前向填充

前向填充是指使用前一个非缺失值来填充缺失值。可以使用 fillna() 方法，并指定 method='ffill'，来进行前向填充。例如：

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

输出结果：

     A    B     C
0  1.0  5.0   9.0
1  2.0  5.0  10.0
2  2.0  7.0  11.0
3  4.0  8.0  11.0

后向填充

后向填充是指使用后一个非缺失值来填充缺失值。可以使用 fillna() 方法，并指定 method='bfill'，来进行后向填充。例如：

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

输出结果：

     A    B     C
0  1.0  5.0   9.0
1  2.0  7.0  10.0
2  4.0  7.0  11.0
3  4.0  8.0   NaN

其他填充方式

除了常数填充、前向填充、后向填充之外，pandas 还提供了一些其他的填充方式，例如使用插值法进行填充。可以使用 interpolate() 方法来进行插值填充。例如：

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

输出结果：

     A    B     C
0  1.0  5.0   9.0
1  2.0  6.0  10.0
2  3.0  7.0  11.0
3  4.0  8.0  11.0

此外，还可以使用 dropna() 方法来删除含有缺失值的行或列。例如：

df.dropna(inplace=True)
print(df)

输出结果：

     A    B    C
0  1.0  5.0  9.0

上述是一些常见的 pandas 数据填充方法，可以根据具体需求选择不同的方法进行填充。