fillna函数在Python数据分析中的应用场景

fillna() 函数在 Python 数据分析中主要用于处理缺失值（NaN 或 None）

1. 填充缺失值：当数据集中存在缺失值时，可以使用 fillna() 函数将这些缺失值替换为特定的值或者基于其他值计算出的值。例如，可以用0、平均值、众数或中位数等填充缺失值。

import pandas as pd

# 创建一个包含缺失值的 DataFrame
data = {'A': [1, 2, None, 4], 'B': [None, 6, 7, 8]}
df = pd.DataFrame(data)

# 使用 fillna() 函数填充缺失值
filled_df = df.fillna(0)  # 将缺失值替换为 0

2. 填充前向值或后向值：在时间序列数据中，可以使用 fillna() 函数填充缺失值，方法是使用前一个有效值（前向填充）或后一个有效值（后向填充）。

import pandas as pd

# 创建一个包含缺失值的时间序列数据
data = {'date': pd.date_range('2021-01-01', periods=5), 'value': [1, 2, None, 4, None]}
ts = pd.DataFrame(data).set_index('date')

# 使用 fillna() 函数进行前向填充和后向填充
ffilled_ts = ts.fillna(method='ffill')  # 前向填充
bfilled_ts = ts.fillna(method='bfill')  # 后向填充

3. 根据条件填充：可以使用 fillna() 函数结合条件逻辑来填充缺失值。例如，可以根据某列的值来决定使用哪个值填充缺失值。

import pandas as pd

# 创建一个包含缺失值的 DataFrame
data = {'A': [1, 2, None, 4], 'B': [None, 6, 7, 8], 'C': [10, 20, 30, 40]}
df = pd.DataFrame(data)

# 使用 fillna() 函数根据条件填充缺失值
filled_df = df.fillna(df['C'] / 10)  # 将缺失值替换为 C 列对应值除以 10

总之，fillna() 函数在 Python 数据分析中具有广泛的应用场景，可以帮助处理缺失值，从而提高数据质量和分析效果。