df.fillna()

 

 

 

 

参照：https://blog.csdn.net/weixin_38168620/article/details/79596819

import pandas as pd
import numpy as np
from numpy import nan as NaN

 

填充缺失数据

fillna()是最主要的处理方式了。

df1=pd.DataFrame([[1,2,3],[NaN,NaN,2],[NaN,NaN,NaN],[8,8,NaN]])
df1

 

代码结果：
　　　　0    1    2
0    1.0    2.0    3.0
1    NaN    NaN    2.0
2    NaN    NaN    NaN
3    8.0    8.0    NaN
用常数填充：
df1.fillna(100)
1
代码结果：
　　　　0    1    2
0    1.0    2.0    3.0
1    100.0    100.0    2.0
2    100.0    100.0    100.0
3    8.0    8.0    100.0
通过字典填充不同的常数：
df1.fillna({0:10,1:20,2:30})
1
代码结果：
　　　　0    1    2
0    1.0    2.0    3.0
1    10.0    20.0    2.0
2    10.0    20.0    30.0
3    8.0    8.0    30.0
传入inplace=True直接修改原对象：
df1.fillna(0,inplace=True)
df1
1
2
代码结果：
　　　　0    1    2
0    1.0    2.0    3.0
1    0.0    0.0    2.0
2    0.0    0.0    0.0
3    8.0    8.0    0.0
传入method=” “改变插值方式：
df2=pd.DataFrame(np.random.randint(0,10,(5,5)))
df2.iloc[1:4,3]=NaN;df2.iloc[2:4,4]=NaN
df2
1
2
3
代码结果：
　　　　0    1    2    3    4
0    6    6    2    4.0    1.0
1    4    7    0    NaN    5.0
2    6    5    5    NaN    NaN
3    1    9    9    NaN    NaN
4    4    8    1    5.0    9.0
df2.fillna(method='ffill')#用前面的值来填充
1
代码结果：
　　　　0    1    2    3    4
0    6    6    2    4.0    1.0
1    4    7    0    4.0    5.0
2    6    5    5    4.0    5.0
3    1    9    9    4.0    5.0
4    4    8    1    5.0    9.0
传入limit=” “限制填充个数：
df2.fillna(method='bfill',limit=2)
1
代码结果：
　　　　0    1    2    3    4
0    6    6    2    4.0    1.0
1    4    7    0    NaN    5.0
2    6    5    5    5.0    9.0
3    1    9    9    5.0    9.0
4    4    8    1    5.0    9.0
传入axis=” “修改填充方向：
df2.fillna(method="ffill",limit=1,axis=1)
1
代码结果：
　　　　0    1    2    3    4
0    6.0    6.0    2.0    4.0    1.0
1    4.0    7.0    0.0    0.0    5.0
2    6.0    5.0    5.0    5.0    NaN
3    1.0    9.0    9.0    9.0    NaN
4    4.0    8.0    1.0    5.0    9.0