iloc 是 pandas 中基于整数位置的索引方式，而不是基于标签的索引方式（即 loc）
以下是一些处理缺失值的常用方法：
删除缺失值：
使用 dropna() 函数可以删除包含缺失值的行或列。例如：
df_clean = df.dropna() # 删除包含任何缺失值的行
df_clean = df.dropna(axis=1) # 删除包含任何缺失值的列
填充缺失值：
使用 fillna() 函数可以用指定的值填充缺失值。例如：
df_filled = df.fillna(0) # 用0填充所有缺失值
df_filled = df.fillna(method='ffill') # 用前一个值填充缺失值（前向填充）
df_filled = df.fillna(method='bfill') # 用后一个值填充缺失值（后向填充）
插值：
使用 interpolate() 函数可以对缺失值进行插值。例如：
df_interpolated = df.interpolate() # 使用线性插值方法填充缺失值
使用其他列/行的值计算缺失值：
有时，你可能希望使用其他列或行的值来计算缺失值。这可以通过组合使用 fillna() 和其他函数（如 mean()、median() 等）来实现。例如：
df_filled = df.fillna(df.mean()) # 用均值填充缺失值
在处理缺失值时，请确保选择适当的方法，以便在保持数据完整性的同时，最大限度地减少对分析结果的影响。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
