当前位置:

首页 > 编程开发 > 如何使用Python实现数据清洗中的缺失值填充_基于Pandas的fillna策略

如何使用Python实现数据清洗中的缺失值填充_基于Pandas的fillna策略

做数据清洗的朋友应该都遇到过这样的场景:拿到一份数据,跑起来全是NaN,顺手敲一行fillna(0)或者fillna("unknown"),以为万事大吉。结果呢?后面建模的时候,数值列莫名其妙变成了字符串,分类列里凭空多出来一个本该不存在的“0”类别,整个数据分析流程直接卡住。这事并不稀奇——fil

本文目录

    做数据清洗的朋友应该都遇到过这样的场景:拿到一份数据,跑起来全是NaN,顺手敲一行fillna(0)或者fillna("unknown"),以为万事大吉。结果呢?后面建模的时候,数值列莫名其妙变成了字符串,分类列里凭空多出来一个本该不存在的“0”类别,整个数据分析流程直接卡住。这事并不稀奇——fillna看似简单,但踩坑的人从来不少。

    先提个醒:fillna的第一个教训,就是绝对不能一刀切。直接用fillna(0)去填所有列,数值列可能还没太大问题,一旦碰到时间列或分类列,那麻烦就大了。时间列填进去一个整数,Pandas会强制把它转成object,后续所有时间计算全废;分类列填0,可能被模型当成一个有效类别,但业务上这个0压根不存在。所以动手填充前,第一件事是搞清楚每列的dtype和业务含义。

    数值列的处理相对简单:均值和中位数是首选。异常值偏多的时候,中位数更稳。写法上就是fillna(df["col"].mean())或者fillna(df["col"].median())。时间列得特殊照顾——不能用数字或字符串去填,必须用pd.NaT,或者一个合理的默认时间点,比如fillna(pd.Timestamp("1970-01-01"))。分类列的玩法不一样,填"Missing"比填None更可控,但关键是提前把列转成category类型,确保新值能被系统识别为合法类别,否则填进去也会被忽略。

    如何使用Python实现数据清洗中的缺失值填充_基于Pandas的fillna策略

    fillna 填什么值?先看缺失类型再选策略

    直接用 fillna(0) 或 fillna("unknown") 很危险——数值型列填字符串会强制转为 object 类型,后续计算全报错;分类列填 0 可能被误当有效类别。必须先确认 dtype 和业务含义。

    • 数值列(float64):优先考虑 fillna(df["col"].mean())、fillna(df["col"].median()),异常值多时用中位数更稳
    • 时间列(datetime64):不能填数字或字符串,得用 pd.NaT 或合理默认时间,比如 fillna(pd.Timestamp("1970-01-01"))
    • 分类列(object 或 category):填 "Missing" 比 None 更可控,且要提前用 df["col"] = df["col"].astype("category") 确保新值能被识别为合法类别

    按列差异调用 fillna:避免整表一刀切

    用 df.fillna({"A": 0, "B": "N/A", "C": df["C"].mode()[0]}) 是最常用也最安全的方式。整表统一填一个值(如 df.fillna(0))会污染非数值列,且无法处理众数为空(所有值唯一)的情况。

    • mode() 返回 Series,必须取 [0];若列全空,mode() 返回空 Series,直接取 [0] 报 IndexError,得加判断:df["col"].mode().iloc[0] if not df["col"].mode().empty else "Unknown"
    • 对时间列单独处理:先用 pd.to_datetime(df["time"], errors="coerce") 转成 datetime64,再填 pd.NaT 或前向填充 fillna(method="ffill")
    • 别在原地改:始终写 df_clean = df.fillna(...),而不是 df.fillna(..., inplace=True),后者在链式操作中容易出不可复现的 bug

    用 method 参数做时序/结构化填充:ffill 和 bfill 的边界问题

    method="ffill" 不是万能的——它只沿指定轴向前传播最后一个有效值,遇到开头连续缺失就完全无效。实际中常需组合使用或加限制。

    • 限制填充长度:fillna(method="ffill", limit=3) 防止一个有效值撑起后面几十行
    • 按组填充更合理:比如用户行为日志,应先 groupby("user_id") 再 apply(lambda x: x.fillna(method="ffill")),否则用户 A 的数据会污染用户 B 的字段
    • bfill 在末尾缺失多时有用,但和 ffill 一样不校验逻辑合理性——比如“注册时间”列用 bfill 填了未来日期,程序不会报错,但业务上绝对错误

    fillna 后必须验证:dtype 和非空计数是否符合预期

    填完不检查等于没填。尤其要注意 object 列混入 float 或 int 后,isna() 仍返回 True,但 sum() 会直接报错。

    • 快速核对:df_clean.dtypes 看有没有意外变成 object;df_clean.isna().sum() 确认目标列确实为 0
    • 数值列验证:填均值后用 df_clean["num_col"].describe() 看 min/max 是否仍在合理区间,避免因原始数据有极端异常值导致均值失真
    • 写进清洗函数里:每次 fillna 后加一句 assert df_clean[col].notna().all(), f"{col} still has NaN after fill",CI 流程里就能立刻暴露问题

    最后说一个容易被忽视的点:fillna不是万能的,它不会改变缺失模式带来的分布偏移。比如用中位数去填充大量缺失的收入字段,建模时模型会误以为中位数就是真实的高频值,结果自然不准。真正严谨的清洗,往往需要配合插值、建模预测填充,或者明确标记“已填充”的列供下游感知。数据清洗不是填个值就完事,后续的验证和审计同样不可少。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发 Python
    相关文章 更多
    python删除一个列表里的重复元素的方法与代码示例
    python删除一个列表里的重复元素的方法与代码示例

    学习如何使用Python高效删除列表中的重复元素。本文提供5种常见方法的代码示例,涵盖保持顺序与不保持顺序的场景,适合初学者和进阶开发者参考。

    Python写接口的步骤及完整代码示例
    Python写接口的步骤及完整代码示例

    详细讲解使用Python编写Web接口的核心步骤与完整代码示例,涵盖环境准备、路由定义、数据校验、服务启动及调试测试方法。

    codex怎么读取word文档及docx文件操作教程
    codex怎么读取word文档及docx文件操作教程

    介绍如何利用编程工具读取和解析Word文档(docx格式),涵盖基础文本提取代码示例、结构化数据处理逻辑,以及处理复杂排版时的技术局限与替代方案。

    怎么在Python中调用C语言代码提升性能
    怎么在Python中调用C语言代码提升性能

    详细讲解在Python中调用C语言代码提升性能的完整实践指南,包含原理分析、编译步骤、ctypes与CFFI具体实现、性能对比及常见陷阱。

    Python与C语言的性能差异及底层原理
    Python与C语言的性能差异及底层原理

    深入解析Python与C语言在执行效率上的数量级差异,从编译机制、变量内存布局、动态类型推断到GIL锁,系统阐明底层核心原理。

    Python和C语言哪个更适合编程入门
    Python和C语言哪个更适合编程入门

    客观对比Python与C语言在心智负担、底层机制与学习反馈上的核心差异,提供清晰有据的选择标准与切实的入门学习路径。

    selenium上传文件教程本地文件路径设置方法
    selenium上传文件教程本地文件路径设置方法

    深入解析Selenium处理文件上传的技术细节,涵盖标准HTML控件的路径直接注入法与非标准控件的系统级模拟方案,提供Windows与Linux环境下的路径设置最佳实践及常见异常排查。

    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景
    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景

    针对大数据工程场景,系统对比Java、Scala与Python在执行性能、生态结合、开发效率和维护成本上的核心差异,给出清晰的架构选型依据与落地方案。

    langgraph python guide中文入门教程详解
    langgraph python guide中文入门教程详解

    本篇LangGraph Python中文入门教程详解,系统梳理StateGraph状态机定义、节点编写、边与条件路由、检查点持久化(MemorySaver)等核心机制,提供从环境安装到完整循环智能体构建的代码示例与实操指导。

    Windows 安装 Python:从官方入口到虚拟环境的可复现实践
    Windows 安装 Python:从官方入口到虚拟环境的可复现实践

    面向后端开发者,基于 Python 官方文档说明如何在 Windows 上安装 Python、创建 venv 虚拟环境及使用 pip 管理依赖。包含可复制命令、验证方法及工具选择边界,避免常见配置误区。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。