pandas fillna_如何处理Pandas里的缺失值(入门篇2)

在使用python里的pandas库进行数据分析工作时，很多时候我们都会遇到这样一个问题：数据缺失。这也是大部分数据分析工作所会遇到的之一。而正确处理缺失值，也是我们在数据分析中数据预处理环节的关键的一环。下面我将讲讲在我学习Pandas的时候，对缺失值处理的一些总结(入门篇2).

这一次我们来说说如何使用fillna()函数填充缺失值。

（2）填充（fillna）

函数

函数作用：填充缺失值

主要参数：

1. value:需要用什么值去填充缺失值
2. axis:确定填充维度，从行开始或是从列开始
3. method：填充缺失值所用的方法。
4. limit:确定填充的个数，如果limit=2，则只填充两个缺失值。

• 下面我们举几个例子

首先还是先生成我们实验用的数据：

import pandas as pd
import numpy as np
df = pd.DataFrame([[np.nan, 2, np.nan, 0],
                  [3, 4, np.nan, 1],
                 [np.nan, np.nan, np.nan, 5],
                [np.nan, 3, np.nan, 4]],
                 columns=list('ABCD'))
df

（1）ffill:用缺失值前面的一个值代替缺失值，如果axis =1，那么就是横向的前面的值替换后面的缺失值，如果axis=0，那么则是上面的值替换下面的缺失值。横向用缺失值前面的值替换缺失值"/"纵向用缺失值上面的值替换缺失值"，

这一种方法，都是用缺失值前面的值对缺失值进行填充。（行/列都可以指定）

（2）backfill/bfill：缺失值后面的一个值代替前面的缺失值（具体用法与前面类似）。

注意~用这种方法时不能与value同时出现。

以下以ffill为例：

df.fillna(axis=1,method='ffill')

 df.fillna(axis=0,method='ffill')

（bfill的用法与上面一致，我们就不举例了）

（3）用指定的值进行填充。

下面我们以填充0为例：

df.fillna(0)

可以看到，缺失值都被填充成0.

（4）针对不同的列，我们用不同的值填充（行也是类似用法）：

trans={"A":9,"B":8,"C":7,"D":6}
df.fillna(value=trans)

（5）还是针对不同的列，我们用不同的值填充，但是这一次我们试着用limit对填充的次数进行限制，也就是说，对每列出现的替换值，我们都可以进行替换次数的限制：

下面我们对替换值限制为每列只替换一次。

trans={"A":9,"B":8,"C":7,"D":6}
df.fillna(value=trans,limit=1)

（6）使用均值mean( )的方法进行缺失值填充：（注意下面两种的不同）

由于在本例中，只有A、B列符合均值填充的条件，因此我们是否指定A、B列，在本例中不影响。

在实际工作和学习中，针对缺失值填充还有许多更高级的做法，由于本篇是入门向，因此未做提及，未来有时间将为大家介绍关于缺失值填充更高级的做法（机器学习等）。

---

以上便是<如何处理Pandas里的缺失值(入门篇2)>的内容，欢迎感兴趣的小伙伴一起讨论、学习，更多内容请看我的其他文章。