fillna传字典时键必须严格匹配列名字符串，否则该列不填充且不报错；值需与列类型兼容，避免隐式转换；条件填充须用loc配合，不可直接对布尔索引结果调用fillna。
fillna传字典时键必须是列名，且只影响对应列
直接传{'age': 0, 'city': 'unknown'}给fillna()，pandas会自动按列名匹配并填充——不是按位置、也不是按数据类型，纯粹靠列名字符串完全一致。如果列名带空格或大小写不一致（比如DataFrame里是'City'但字典里写'city'），那一列就完全不会被填充，也不会报错，容易漏掉。
常见错误现象：df.fillna({'age': 0})执行后df['age']没变化，大概率是列名实际叫'Age'或'user_age'；用list(df.columns)确认真实列名再写键名。
- 字典的键必须是字符串，不能是
int或None - 值可以是标量（
0、'N/A'）、Series（需对齐索引）、或pd.NA等缺失标识 - 未在字典中出现的列保持原样，
fillna不会动它们
混合填充类型：数字列填0，字符列填空字符串或None
不同列语义不同，强行统一填0会让字符串列变成'0'（触发隐式类型转换），填None又可能让整数列转成float64（因NaN只能存于浮点）。稳妥做法是按列类型分组构造字典：
fill_dict = {
'score': 0,
'rank': -1,
'name': '',
'category': 'other',
'is_active': False
}
注意：False填入布尔列没问题，但填入整数列会变0；''填入数值列会报TypeError（无法将字符串转为float），所以务必确保字典值与目标列类型兼容。
立即学习“Python免费学习笔记（深入）”；
- 用
df.dtypes检查各列类型，避免跨类型硬塞 - 若某列含混合类型（如
object但混了数字和字符串），先清洗再填，否则fillna可能静默失败 - 想填
pd.NA（pandas原生缺失值）？确保列已转为支持pd.NA的扩展类型（如string、Int64），否则会被转成np.nan
只对部分行+部分列组合填充：先切片再fillna
fillna本身不支持条件过滤，想“只给2023年之后的数据中price列填-1”，不能靠字典参数实现。必须拆成两步：先用布尔索引定位子集，再对其调用fillna：
mask = df['date'] > '2023-01-01'
df.loc[mask, ['price', 'discount']] = df.loc[mask, ['price', 'discount']].fillna({'price': -1, 'discount': 0})
这里fillna传的仍是字典，但作用范围已被loc严格限定。漏掉.loc直接写df[mask].fillna(...)会导致SettingWithCopyWarning，甚至不生效——因为df[mask]可能是视图而非原地引用。
- 所有条件填充场景，优先考虑
loc+fillna组合，别试图用where或mask绕开 - 字典里只写你真正要填的列，多写的键会被忽略，但少写会导致对应列在子集内仍为空
- 如果条件复杂（如多层嵌套逻辑），把mask单独算出来，比堆在一行里更易读、易调试
性能提示：大数据量下避免重复构造字典
在循环或apply里反复调用fillna({'a': 0, 'b': 'x'})，字典对象每次都是新创建的，但内容不变。Python里小字典开销不大，但如果列非常多（上百列）、字典键值对也上百，且调用频次高（如每行都算），会有可测的GC压力。此时可提前定义好不可变字典（虽然Python没原生const dict，但可放模块顶层或作为类属性）：
FILL_MAP = {'user_id': -1, 'amount': 0.0, 'status': 'pending'}
然后统一用df.fillna(FILL_MAP)。另外，如果填充逻辑需要动态计算（如每列填当前列均值），就别用字典，改用df.apply(lambda s: s.fillna(s.mean()))，但注意这比字典慢一个数量级——字典是C层向量化实现，apply是Python层逐列循环。
最易被忽略的一点：字典键顺序不影响结果，但如果你依赖dict插入顺序做列处理（比如后续要遍历键做日志），从Python 3.7+起是稳定的，但别假设旧版本也如此。
