在Python中，fillna()函数是Pandas库中的一个非常有用的方法，用于填充DataFrame或Series中的缺失值（NaN）。它允许你指定不同的策略来处理缺失数据，例如用特定的值、前一个非缺失值、后一个非缺失值或其他统计计算得出的值进行填充。
以下是fillna()函数的基本使用方法和参数：
import pandas as pd
# 创建一个包含缺失值的示例DataFrame
df = pd.DataFrame({
'A': [1, 2, np.nan, 4],
'B': [5, np.nan, np.nan, 8],
'C': [9, 10, 11, 12]
})
# 不指定参数，直接用某个值填充
df_filled_with_value = df.fillna(0) # 所有缺失值被替换为0
# 使用字典按列指定不同的填充值
df_filled_with_dict = df.fillna({
'A': 0, 'B': -1}) # 'A'列的缺失值被替换为0，'B'列被替换为-1
# 使用前一个非缺失值填充（向前填充）
df_filled_forward = df.fillna(method='ffill') # 或者使用pad，效果相同
# 使用下一个非缺失值填充（向后填充）
df_filled_backward = df.fillna(method='bfill')
# 直接修改原DataFrame（inplace=True）
df.fillna(value=0, inplace=True) # 此操作会改变原始df的内容
# 对于时间序列数据，limit参数可以限制连续填充的最大数量
df_filled_limit = df.fillna(method='ffill', limit=1)
# axis参数通常不用指定，因为对于DataFrame，默认是axis=0（行方向填充）
# 如果需要按列（axis=1）填充，也可以指定
# df.fillna(value, axis=1)
# downcast参数用于在填充后将数据类型向下转换以节省内存，如从float64到int32
df_filled_downcast = df.fillna(0, downcast='infer')
请根据实际需求选择合适的填充方式。需要注意的是，如果数据具有特定的结构或者顺序关系，比如时间序列数据，那么选择适当的填充方法（向前或向后填充）可能会更有意义。而对于没有明显前后依赖关系的数据，一般会选择用某个常数或统计量（如平均值、中位数等）来填充。
