pandas中fillna()函数填充NaN和None的实现

在pandas中，fillna()函数被广泛用于填充数据中存在的NaN或None值，以便能够更方便地进行数据分析和处理。下面是该函数的详细攻略和两条示例说明。

1. 基本语法

DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)

2. 参数说明

• value：用于替换NaN或None值的标量值、字典、数组或Series数据。
• method：用于填充NaN或None值的指定方法。可选参数包括' backfill'，'bfill'，'pad', 'ffill'，'nearest'。默认为None。
• axis：指定填充的轴。0表示列，1表示行，默认为0。
• inplace：是否对原数据进行操作。默认为False。
• limit：在填充缺失值时，限制连续的NaN或None值所填充的行数或列数。
• downcast：指定是否执行缩小类型的转换。默认为None。

3. 示例1：基于标量值填充缺失值

考虑一个包含NaN值的简单数据框df，如下所示：

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': [1, 2, 3, np.nan, 5, 6],
                   'B': [2, np.nan, 3, 1, np.nan, 9],
                   'C': [1, 2, 3, 4, 5, np.nan]})

print(df)

输出如下：

     A    B    C
0  1.0  2.0  1.0
1  2.0  NaN  2.0
2  3.0  3.0  3.0
3  NaN  1.0  4.0
4  5.0  NaN  5.0
5  6.0  9.0  NaN

我们使用标量值0来填充数据框中所有的缺失值：

df.fillna(value=0)

输出如下：

     A    B    C
0  1.0  2.0  1.0
1  2.0  0.0  2.0
2  3.0  3.0  3.0
3  0.0  1.0  4.0
4  5.0  0.0  5.0
5  6.0  9.0  0.0

4. 示例2：基于列均值填充NaN值

我们可以使用填充缺失值的平均方法来为数据框中所有列的NaN值填充平均值。如下所示:

df.fillna(df.mean())

输出如下：

     A    B    C
0  1.0  2.0  1.0
1  2.0  3.333333  2.0
2  3.0  3.0  3.0
3  3.4  1.0  4.0
4  5.0  3.333333  5.0
5  6.0  9.0  3.0

我们也可以使用axis参数来在行上进行填充操作，下面的示例中，我们使用前向填充(pad)的方法填充数据框的所有NaN值。

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

输出如下：

     A    B    C
0  1.0  2.0  1.0
1  2.0  2.0  2.0
2  3.0  3.0  3.0
3  3.0  1.0  4.0
4  5.0  1.0  5.0
5  6.0  9.0  5.0

在这个示例中，我们沿着列轴开始向前搜索NaN值，然后用之前搜索到的最近的有效值来填充数据框中的缺失值。

这是关于pandas中fillna()函数填充NaN和None的完整攻略。使用这个函数，可以更方便地清理数据并进行分析处理。