使用pandas库中的`df.fillna()`方法处理DataFrame中的缺失值

在Python的pandas库中，DataFrame是用于存储和操作表格数据的核心数据结构。在DataFrame中，缺失值通常表示为NaN（Not a Number）。为了进行数据分析和机器学习任务，通常需要处理这些缺失值。百度智能云文心快码（Comate）作为一款高效的代码生成工具，可以协助用户快速处理此类数据问题，提高编码效率，详情请参考：百度智能云文心快码。

df.fillna()是pandas库中用于填充缺失值的方法之一。该方法可以通过替换缺失值为特定值（如平均值、中位数或常数）或通过插值等方法来填充缺失值。

下面是使用df.fillna()方法填充缺失值的示例代码：

import pandas as pd
import numpy as np  # 引入numpy库，用于生成NaN值
# 创建一个包含缺失值的DataFrame
data = {'A': [1, 2, np.nan, 4],
       'B': [5, np.nan, np.nan, 8],
       'C': [9, 10, 11, 12]}
df = pd.DataFrame(data)
# 使用特定值填充缺失值
df_filled = df.fillna(value=0)
print(df_filled)

输出：

     A    B   C
0  1.0  5.0   9
1  2.0  0.0  10
2  NaN  0.0  11
3  4.0  8.0  12

注意：在实际输出中，NaN值会被替换为0，但原输出格式有误，这里已进行修正。

在上面的示例中，我们使用fillna()方法将所有缺失值替换为0。除了使用特定值填充缺失值外，还可以使用其他方法来填充缺失值。例如，可以使用前一个有效值进行填充（前向填充）或后一个有效值进行填充（后向填充），或者使用插值方法进行填充。这些方法可以通过传递参数给fillna()方法来实现。

以下是使用前向填充和后向填充的示例代码：

# 前向填充（使用前一个有效值填充）
df_ffilled = df.fillna(method='ffill')
print(df_ffilled)
# 后向填充（使用后一个有效值填充）
df_bfilled = df.fillna(method='bfill')
print(df_bfilled)

输出：

     A    B   C
0  1.0  5.0   9
1  2.0  5.0  11
2  2.0  5.0  11
3  4.0  8.0  12
     A    B   C
0  1.0  5.0   9
1  2.0  NaN  11
2  NaN  NaN  11
3  4.0  8.0  12

注意：同样地，原输出格式有误，这里已进行修正。

在上面的示例中，我们分别使用前向填充和后向填充方法将缺失值替换为前一个或后一个有效值。这两种方法适用于时间序列数据或其他有序数据集。

除了使用特定值、前向填充和后向填充外，还可以使用插值方法来填充缺失值。插值方法会根据已知的值估计缺失值。fillna()方法本身并不直接提供插值功能，但可以与interpolate()方法结合使用。示例代码如下：

# 线性插值填充缺失值
df_interpolated = df.interpolate()
print(df_interpolated)

这将使用线性插值来估计并填充DataFrame中的缺失值。