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——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。

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。