当数据量大、缺失数据比较少时，可以直接过滤去除； 如果数据量少，缺少的数据多，则需要填充数据。
数据输入函数fillna (，默认参数如下：
个案研究：
importnumpyasnpfromnumpyimportnanimportpandasaspddata=PD.data frame (NP.arange (3，19，1 ).Reshape ) 4，colulus
#用0填充缺少数据print(data.fillna(0) )的执行结果：
#用各列特征的平均值填充缺少数据print(data.fillna(data.mean ) )的执行结果。
#用各列特征的中值填充缺少数据print(data.fillna(data.median ) )的执行结果。
#前一个空值print(data.fillna ) method='bfill ' ) (print ) data.fill na (method=' back fill ' ) ) )在旁边
#后面的空值print(data.fillna ) method='ffill ' ) (print ) data.fill na (method=' pad ' ) )作为相邻的前面(before )填充
#在不同列中用词典填充不同的缺少数据values={'a': 10、' b': 20、' c':30}print(data.fillna ) value=values ) }并执行
完整的代码如下。
importnumpyasnpfromnumpyimportnanimportpandasaspddata=PD.data frame (NP.arange (3，19，1 ).Reshape ) 4，4， Coluushape index=list(1234 ) ) print ) data ) data.iloc ) 1:2，0:3 )=NANprint ) (n为0 ) 用每n列特征的平均值填充缺失数据n '，data.fillna(data.mean ) )用每列特征的中值填充缺失数据((data.medlna )、data.meddlna )列用相邻背面的null (，data.fillna ) ) n填充data.fillna(method='bfill ' ) ) print前面的null )、data.fillna ) ) data.fillna(method='ffill ' ) ) print((n用相邻前面的null )、data.fillna )、相邻前面的before (特征填充， DATA.fillna(method='pad ' )在不同的列中使用不同的缺少数据values={'a': 10，' b': 20，' c ' :30 } print }n作为词典对