fillna函数：

作用：补充缺失值

参数：fillna(inplace,method,limit,axis)

参数解释+代码演示

自定义DataFrame类型的数据

>>> import pandas as pd
>>> import numpy as np
>>> from numpy import nan as NaN
>>> df = pd.DataFrame([[1,2,3],[NaN,NaN,3],[NaN,NaN,NaN]])
>>> df
     0    1    2
0  1.0  2.0  3.0
1  NaN  NaN  3.0
2  NaN  NaN  NaN

# 用常数填充

>>> df.fillna(100)
       0      1      2
0    1.0    2.0    3.0
1  100.0  100.0    3.0
2  100.0  100.0  100.0
>>> df
     0    1    2
0  1.0  2.0  3.0
1  NaN  NaN  3.0
2  NaN  NaN  NaN

# 用字典填充
>>> df.fillna({0:1,1:2,2:3})
     0    1    2
0  1.0  2.0  3.0
1  1.0  2.0  3.0
2  1.0  2.0  3.0
>>> df
     0    1    2
0  1.0  2.0  3.0
1  NaN  NaN  3.0
2  NaN  NaN  NaN

# 可以看到在不指定任何参数的情况下进行缺失值填充，原对象df并没有发生改变

1、inplace参数的取值：True、False

       True：直接修改原对象

       Fasle：创建一个副本，修改副本，原对象不变（缺失默认）

# 指定inplace参数
>>> df.fillna(0,inplace=True) # df对象发生改变
>>> df
     0    1    2
0  1.0  2.0  3.0
1  0.0  0.0  3.0
2  0.0  0.0  0.0

2、method参数的取值：{'pad','ffill','backfill','bfill','None'}

       pad/ffill：用前一个非缺失值去填充该缺失值

       backfill/bfill：用下一个非缺失值填充该缺失值

       None：指定一个值去替换缺失值（缺失默认）

# 指定method参数
>>> df.iloc[1,1] = NaN
>>> df
     0    1    2
0  1.0  2.0  3.0
1  0.0  NaN  3.0
2  0.0  0.0  0.0
>>> df.fillna(method='ffill') # 用前一个非缺失值填充该缺失值
     0    1    2
0  1.0  2.0  3.0
1  0.0  2.0  3.0
2  0.0  0.0  0.0
>>> df.iloc[1,1] = NaN
>>> df
     0    1    2
0  1.0  2.0  3.0
1  0.0  NaN  3.0
2  0.0  0.0  0.0
>>> df.fillna(method='bfill') # 用下一个非缺失值填充该对象
     0    1    2
0  1.0  2.0  3.0
1  0.0  0.0  3.0
2  0.0  0.0  0.0

3、limit参数：限制填充个数

# 指定limit参数
>>> df.iloc[1,1] = NaN
>>> df.iloc[0,1] = NaN
>>> df
     0    1    2
0  1.0  NaN  3.0
1  0.0  NaN  3.0
2  0.0  0.0  0.0
>>> df.fillna(method='bfill',limit=1) # 用下一个非缺失值填充，只能填充一个
     0    1    2
0  1.0  NaN  3.0
1  0.0  0.0  3.0
2  0.0  0.0  0.0

4、axis参数：修改填充方向

       1：按行填充；0：按列填充

# 指定axis参数，注意必须至少和value或method一块使用
>>> df
     0    1    2
0  1.0  NaN  3.0
1  0.0  NaN  3.0
2  0.0  0.0  0.0
>>> df.fillna(2,axis=1)
     0    1    2
0  1.0  2.0  3.0
1  0.0  2.0  3.0
2  0.0  0.0  0.0
>>> df.fillna(2,axis=0)
     0    1    2
0  1.0  2.0  3.0
1  0.0  2.0  3.0
2  0.0  0.0  0.0
>>> df.iloc[0,2] = NaN
>>> df
     0    1    2
0  1.0  NaN  NaN
1  0.0  NaN  3.0
2  0.0  0.0  0.0
>>> df.fillna(2,axis=1)
     0    1    2
0  1.0  2.0  2.0
1  0.0  2.0  3.0
2  0.0  0.0  0.0
>>> df.fillna(2,axis=0)
     0    1    2
0  1.0  2.0  2.0
1  0.0  2.0  3.0
2  0.0  0.0  0.0
# 和value一块使用时，效果上看不出来区别

# 和method一块使用时，效果如下
>>> df
     0    1    2
0  1.0  NaN  NaN
1  0.0  NaN  3.0
2  0.0  0.0  0.0
>>> df.fillna(axis=0,method='bfill') # 按列填充，使用下一行非缺失值填充
     0    1    2
0  1.0  0.0  3.0
1  0.0  0.0  3.0
2  0.0  0.0  0.0
>>> df
     0    1    2
0  1.0  NaN  NaN
1  0.0  NaN  3.0
2  0.0  0.0  0.0
>>> df.fillna(axis=1,method='bfill') # 按行填充，用下一列非缺失值填充
     0    1    2
0  1.0  NaN  NaN
1  0.0  3.0  3.0
2  0.0  0.0  0.0

# 联合limit表示每行或每列限制填充的个数
>>> df.iloc[0,2] = 3
>>> df
     0    1    2
0  1.0  NaN  3.0
1  0.0  NaN  3.0
2  0.0  0.0  0.0

# 按行填充，每行填充一个，用前一列非缺失值填充
>>> df.fillna(method='ffill',limit=1,axis=1) 
     0    1    2
0  1.0  1.0  3.0
1  0.0  0.0  3.0
2  0.0  0.0  0.0
# 按列填充，每列填充一个，用前一列非缺失值填充，前一行无，所以未改变
>>> df.fillna(method='ffill',limit=1,axis=0)
     0    1    2
0  1.0  NaN  3.0
1  0.0  NaN  3.0
2  0.0  0.0  0.0
# 按列填充，用下一行非缺失值填充，总共一列缺失，两个缺失值，limit=1限制只能填充一个
>>> df.fillna(method='bfill',limit=1,axis=0)
     0    1    2
0  1.0  NaN  3.0
1  0.0  0.0  3.0
2  0.0  0.0  0.0
>>> df.iloc[0,2] = NaN
>>> df
     0    1    2
0  1.0  NaN  NaN
1  0.0  NaN  3.0
2  0.0  0.0  0.0
# 按列填充，每列填充一个，用后一行非缺失值填充
>>> df.fillna(method='bfill',limit=1,axis=0)
     0    1    2
0  1.0  NaN  3.0
1  0.0  0.0  3.0
2  0.0  0.0  0.0
'''
 从上面的代码演示中可以看到一块使用axis,method,limit参数时，
limit限制的是每行或每列（axis=1或axis=0）可以填充的个数,
method表示使用前一列/后一列或前一行或后一行非缺失值来填充缺失值
'''

总结：

在机器学习中，当数据有缺失时，如果直接删除某行或某列的数据一般是不可取的，特别当数据量偏小的时候，一般用前一个或下一个非缺失值填充缺失值，或使用均值填充缺失值，填充的语句和参数解释可参考上面的代码理解。

欢迎交流~