python中fillna函数的用法

fillna函数是Python中pandas库中的一个重要函数，用于填充数据中的缺失值。在数据处理和分析过程中，经常会遇到数据缺失的情况，这时fillna函数就能派上用场。

_x000D_

fillna函数的基本语法如下：

_x000D_

`python

_x000D_

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

_x000D_ _x000D_

其中，各参数的含义如下：

_x000D_

- value：用于填充缺失值的值，可以是一个标量值，也可以是一个字典或Series，用于根据索引对不同的列填充不同的值。

_x000D_

- method：用于指定填充缺失值的方法，可选的值有'backfill'、'bfill'、'pad'、'ffill'，默认为None。'backfill'或'bfill'表示使用后一个非缺失值填充，'pad'或'ffill'表示使用前一个非缺失值填充。

_x000D_

- axis：用于指定填充的方向，可选的值有0或'index'、1或'columns'，默认为None。当axis为0或'index'时，表示按列填充；当axis为1或'columns'时，表示按行填充。

_x000D_

- inplace：用于指定是否在原数据上进行修改，可选的值有True或False，默认为False。

_x000D_

- limit：用于指定连续缺失值的最大填充次数。

_x000D_

- downcast：用于指定数据类型的转换，可选的值有None、'infer'、'integer'、'signed'、'unsigned'、'float'。

_x000D_

**示例**：

_x000D_

假设有一个包含缺失值的数据表df：

_x000D_

`python

_x000D_

import pandas as pd

_x000D_

import numpy as np

_x000D_

df = pd.DataFrame({'A': [1, 2, np.nan, 4, 5],

_x000D_

'B': [6, np.nan, 8, np.nan, 10],

_x000D_

'C': [11, 12, 13, np.nan, 15]})

_x000D_ _x000D_

我们可以使用fillna函数对缺失值进行填充，示例如下：

_x000D_

`python

_x000D_

df.fillna(0)

_x000D_ _x000D_

执行上述代码后，会将df中的缺失值用0进行填充，得到的结果如下：

_x000D_ _x000D_

A B C

_x000D_

0 1.0 6.0 11.0

_x000D_

1 2.0 0.0 12.0

_x000D_

2 0.0 8.0 13.0

_x000D_

3 4.0 0.0 0.0

_x000D_

4 5.0 10.0 15.0

_x000D_ _x000D_

从结果可以看出，原先的缺失值被填充为了0。

_x000D_

**问：fillna函数如何处理不同列的缺失值？**

_x000D_

答：fillna函数可以根据字典或Series的方式，对不同的列填充不同的值。例如，假设有一个包含缺失值的数据表df：

_x000D_

`python

_x000D_

import pandas as pd

_x000D_

import numpy as np

_x000D_

df = pd.DataFrame({'A': [1, 2, np.nan, 4, 5],

_x000D_

'B': [6, np.nan, 8, np.nan, 10],

_x000D_

'C': [11, 12, 13, np.nan, 15]})

_x000D_ _x000D_

我们可以使用fillna函数对不同列的缺失值进行填充，示例如下：

_x000D_

`python

_x000D_

df.fillna({'A': 0, 'B': 999})

_x000D_ _x000D_

执行上述代码后，会将df中列'A'的缺失值用0进行填充，列'B'的缺失值用999进行填充，得到的结果如下：

_x000D_ _x000D_

A B C

_x000D_

0 1.0 6.0 11.0

_x000D_

1 2.0 999.0 12.0

_x000D_

2 0.0 8.0 13.0

_x000D_

3 4.0 999.0 NaN

_x000D_

4 5.0 10.0 15.0

_x000D_ _x000D_

从结果可以看出，列'A'的缺失值被填充为了0，列'B'的缺失值被填充为了999。

_x000D_

**问：fillna函数如何处理连续缺失值？**

_x000D_

答：fillna函数可以通过设置limit参数来指定连续缺失值的最大填充次数。例如，假设有一个包含连续缺失值的数据表df：

_x000D_

`python

_x000D_

import pandas as pd

_x000D_

import numpy as np

_x000D_

df = pd.DataFrame({'A': [1, np.nan, np.nan, 4, 5],

_x000D_

'B': [6, np.nan, np.nan, np.nan, 10],

_x000D_

'C': [11, 12, np.nan, np.nan, 15]})

_x000D_ _x000D_

我们可以使用fillna函数对连续缺失值进行填充，示例如下：

_x000D_

`python

_x000D_

df.fillna(0, limit=2)

_x000D_ _x000D_

执行上述代码后，会将df中的连续缺失值用0进行填充，但每列最多只填充2次，得到的结果如下：

_x000D_ _x000D_

A B C

_x000D_

0 1.0 6.0 11.0

_x000D_

1 0.0 0.0 12.0

_x000D_

2 0.0 0.0 0.0

_x000D_

3 4.0 NaN NaN

_x000D_

4 5.0 10.0 15.0

_x000D_ _x000D_

从结果可以看出，df中的连续缺失值被填充为了0，但每列最多只填充了2次。

_x000D_

**问：fillna函数如何在原数据上进行修改？**

_x000D_

答：fillna函数可以通过设置inplace参数为True，在原数据上进行修改。例如，假设有一个包含缺失值的数据表df：

_x000D_

`python

_x000D_

import pandas as pd

_x000D_

import numpy as np

_x000D_

df = pd.DataFrame({'A': [1, 2, np.nan, 4, 5],

_x000D_

'B': [6, np.nan, 8, np.nan, 10],

_x000D_

'C': [11, 12, 13, np.nan, 15]})

_x000D_ _x000D_

我们可以使用fillna函数在原数据上填充缺失值，示例如下：

_x000D_

`python

_x000D_

df.fillna(0, inplace=True)

_x000D_ _x000D_

执行上述代码后，会将df中的缺失值用0进行填充，并直接修改原数据df，得到的结果如下：

_x000D_ _x000D_

A B C

_x000D_

0 1.0 6.0 11.0

_x000D_

1 2.0 0.0 12.0

_x000D_

2 0.0 8.0 13.0

_x000D_

3 4.0 0.0 0.0

_x000D_

4 5.0 10.0 15.0

_x000D_ _x000D_

从结果可以看出，原数据df中的缺失值被填充为了0。

_x000D_

通过上述的介绍，我们了解了fillna函数的基本用法，以及其在处理不同列的缺失值、连续缺失值和在原数据上进行修改时的一些技巧。掌握了fillna函数的用法，我们能更加灵活地处理数据中的缺失值，提高数据处理和分析的效率。

_x000D_