Python中如何填充DataFrame中的空值_通过fillna函数指定填充策略

2026-06-02 Python

fillna默认不填充，必须显式传入value；支持字典分列填充、ffill/bfill前后向填充、interpolate数值插值，但需据空值语义谨慎选择策略。

fillna函数的基本用法和默认行为

fillna 是 pandas 中最直接的空值填充方法，但它不是“智能补全”，而是按你指定的值或策略做静态替换。调用时若不传参数，fillna() 默认用 None（即不做任何改变），这点容易误以为它会自动填充——实际必须显式传入填充内容。

常见错误现象：df.fillna() 执行后 DataFrame 看起来没变化，其实是忘了传参数；或者用了 inplace=True 却没检查返回值，误以为函数有返回。

必须传入 value（标量、字典、Series 或 DataFrame）才能生效
inplace=True 会修改原 DataFrame，但函数仍返回 None，不能链式调用
对 object 类型列，默认用 NaN 填充字符串列的空字符串？不会——fillna 不处理空字符串（''），只处理 np.nan、None、pd.NaT

按列指定不同填充策略：用字典传入value

当各列缺失性质不同时（比如数值列用均值、分类列用众数），硬编码统一值不现实。fillna 支持用字典把列名映射到填充内容，这是最常用也最安全的分列处理方式。

示例：df.fillna({'age': df['age'].mean(), 'city': 'Unknown'}) —— 注意 mean() 要在填充值计算前完成，否则可能因原数据含 NaN 导致结果不准。

字典键必须是真实列名，拼写错误会静默忽略该列（不报错也不填充）
若某列类型不支持对应填充值（如用字符串填 int64 列），会触发类型转换，可能变成 float64 或引发 ValueError
避免在字典中直接写 df[col].mean() 多次调用——建议先算好再传，防止重复计算和中间态污染

用method参数做前后向填充：ffill/bfill的适用边界

method='ffill'（前向）和 method='bfill'（后向）适用于有序数据中的连续缺失，比如时间序列或已排序的业务流水。它们不是万能的，乱序或离散 ID 列上使用会得到完全不可解释的结果。

Python 3.14.3

微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。

典型误用场景：对用户 ID 列执行 fillna(method='ffill')，导致多个用户被错误标记为同一人。