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。
立即学习“Python免费学习笔记（深入）”；
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
- 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。
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。
-
limit参数可控制最多填充几个连续NaN，防止长段缺失被误填 -
axis=1可按行填充，但需确保每行内逻辑连贯（如特征向量补全），否则意义模糊 -
ffill对首行/首列的NaN无效（前面无值可借），同理bfill对末尾无效
结合interpolate做数值型平滑填充
对等距采样、趋势明确的数值列（如传感器读数、股价），interpolate 比简单均值更合理。但它要求索引是数值型或时间型，且默认用线性插值——非线性关系下可能失真。
常见陷阱：df.interpolate() 默认跳过非数值列，不报错也不提示；若强制对字符串列插值，会直接抛 TypeError。
- 优先用
df.select_dtypes(include='number').interpolate()显式限定范围 -
limit_direction='both'允许双向插值，适合中间大段缺失但两端有值的情况 - 时间索引下推荐
method='time'，比默认'linear'更准；但若索引非datetime64类型，会退化为线性插值
真正难的不是选哪个函数，而是判断“这个空值到底代表什么”——是采集失败？业务未发生？还是数据污染？填错策略比不填危害更大。别让 fillna 成为掩盖问题的快捷键。
