4、缺失值填充：fillna()方法、均值/中位数/众数填充、前向/后向填充

缺失值是数据清洗中最常见的“脏数据”之一。直接删除缺失行可能导致信息损失，而合理的填充策略能最大程度保留数据分布特征。本章系统讲解Pandas中 fillna() 的核心用法，以及三种统计填充与两种时序填充的适用场景。

4.1 fillna() 方法基础

fillna() 是Pandas中处理缺失值的核心方法，支持标量、字典、Series、DataFrame等多种填充方式。以下为常用参数说明：

import pandas as pd
import numpy as np

# 创建示例数据
df = pd.DataFrame({
    'A': [1, 2, np.nan, 4, 5],
    'B': [np.nan, 2, 3, np.nan, 5],
    'C': ['x', 'y', np.nan, 'y', 'z']
})

# 标量填充
df_filled = df.fillna(0)

# 按列字典填充
df_filled_dict = df.fillna({'A': df['A'].mean(), 'B': 0, 'C': 'unknown'})

print(df_filled_dict)

4.2 均值、中位数与众数填充

这三种统计填充是数值型与分类型特征最常用的策略。选择依据如下：

• 均值填充：适用于数据近似正态分布、无极端异常值的场景。计算快，但会降低方差。
• 中位数填充：适用于数据偏态分布或存在异常值的场景。对极端值不敏感，更稳健。
• 众数填充：适用于分类型特征（如性别、城市）。用出现频率最高的类别填补缺失。

# 均值填充
df['A'] = df['A'].fillna(df['A'].mean())

# 中位数填充
df['B'] = df['B'].fillna(df['B'].median())

# 众数填充（分类型）
mode_value = df['C'].mode()[0]  # mode() 返回Series，取第一个
df['C'] = df['C'].fillna(mode_value)

print(df)

4.3 前向填充与后向填充

前向填充（Forward Fill）和后向填充（Backward Fill）是时间序列与有序数据中最常用的填充方式。它们利用相邻观测值来填补缺失，保持数据的时序连续性。

# 创建时间序列数据
ts_data = pd.Series(
    [100, np.nan, np.nan, 105, 107, np.nan, 110],
    index=pd.date_range('2024-01-01', periods=7, freq='D')
)

# 前向填充（默认）
ts_ffill = ts_data.fillna(method='ffill')
print("前向填充结果：")
print(ts_ffill)

# 后向填充
ts_bfill = ts_data.fillna(method='bfill')
print("\n后向填充结果：")
print(ts_bfill)

# 限制连续填充数量（最多填充2个连续缺失）
ts_ffill_limit = ts_data.fillna(method='ffill', limit=2)
print("\n限制连续填充2个：")
print(ts_ffill_limit)

4.4 填充策略对比与选择

不同填充策略对数据分布的影响差异显著。以下表格总结了各策略的优缺点与适用场景：