NaN是浮点型特殊标记，需用pd.isna()或np.isnan()检测；fillna()未生效因未赋值或缺inplace=True；dropna()关键参数为how、axis、subset；填充策略须依缺失模式和业务逻辑选择。
NaN 不是字符串也不是空值，它是浮点型特殊标记，直接用 == 判断会失效，必须用 pd.isna() 或 np.isnan() 检测。
为什么 fillna() 填了却没生效？
常见原因是忘记赋值或没设 inplace=True。Pandas 默认返回新 DataFrame，原数据不变。
- 写法错误：
df.fillna(0)—— 返回结果但没保存 - 正确做法：
df = df.fillna(0)或df.fillna(0, inplace=True) - 对特定列操作更安全：
df['age'] = df['age'].fillna(df['age'].median())，避免误填其他列 - 注意类型：用
fillna('unknown')填字符串列没问题，但填数字列会强制转为 object 类型，后续计算可能报错
dropna() 删除行为的 3 个关键参数
dropna() 默认只删整行含 NaN 的记录，但实际场景中常需更精细控制。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
-
how='any'（默认）：只要某行/列有一个 NaN 就删；how='all'：仅当整行/列全为 NaN 才删 -
axis=0（默认）删行，axis=1删列 —— 误设axis=1可能直接干掉一整列特征 -
subset=['col_a', 'col_b']：只在指定列中检查 NaN，其余列不管 —— 处理多条件缺失时很实用，比如“只要email和phone都空才删”
别盲目填均值：先看缺失模式再选策略
用 df.isna().sum() 查各列缺失量后，得结合业务判断——不是所有 NaN 都适合填数字。
立即学习“Python免费学习笔记（深入）”；
- 时间序列中连续缺失：用
ffill或bfill比均值更合理，比如传感器断连后的补值 - 分类变量（如
gender）：填'Unknown'或None，别填 0 或 -1，否则编码后会引入虚假顺序 - 高缺失率列（>60%）：考虑直接
drop，强行填充反而污染模型训练信号 - 用
fillna(method='pad', limit=2)可限制前向填充最多延续两行，防止单次长缺失导致整段被污染
最易被忽略的是缺失值的分布是否随机。如果 NaN 集中在某段时间、某个用户群或某台设备，说明背后有系统性原因——这时候清洗只是掩盖问题，得先查日志或上游采集逻辑。
