Pandas怎么填充缺失值？fillna(0)与ffill/bfill前后向插值填充技巧详解

在Pandas的数据处理流程中，缺失值填充是数据清洗环节的重要步骤，合理选择填充方式能够保证后续数据分析、建模的准确性。Pandas的fillna方法配合不同的参数可以实现多种填充逻辑，其中固定值填充、前向填充、后向填充是最常用的几种方式。

fillna(0)固定值填充的使用方法

fillna(0)是最简单的缺失值填充方式，它会将DataFrame或Series中所有的缺失值（NaN）统一替换为0，适合缺失值代表无数据、零值的场景，比如销量数据中未产生销量的记录。

下面是fillna(0)的基础使用示例：

import pandas as pd
import numpy as np

# 构造包含缺失值的测试数据
data = {
    "name": ["张三", "李四", "王五", "赵六"],
    "score": [85, np.nan, 90, np.nan],
    "age": [20, 22, np.nan, 21]
}
df = pd.DataFrame(data)
print("原始数据：")
print(df)

# 使用fillna(0)填充所有缺失值
filled_df = df.fillna(0)
print("n填充0后的数据：")
print(filled_df)

如果只需要对特定列填充0，可以指定列名操作：

# 只对score列填充0，age列保持不变
df["score"] = df["score"].fillna(0)
print("仅填充score列后的数据：")
print(df)

ffill前向填充的使用技巧

ffill是forward fill的缩写，前向填充的逻辑是用缺失值前面最近的一个非缺失值来填充当前缺失值，适合时间序列、有序数据场景，比如某天的气温数据缺失，可以用前一天的气温填充。

ffill的使用示例如下：

# 构造时间序列测试数据
date_index = pd.date_range(start="2024-01-01", end="2024-01-05")
ts_data = pd.Series([10, np.nan, np.nan, 15, np.nan], index=date_index)
print("原始时间序列数据：")
print(ts_data)

# 使用前向填充
ffill_ts = ts_data.ffill()
print("n前向填充后的数据：")
print(ffill_ts)

ffill还支持指定填充的最大连续缺失值数量，通过limit参数控制，避免填充过多的缺失值：

# 最多填充1个连续缺失值
limited_ffill = ts_data.ffill(limit=1)
print("限制填充数量后的前向填充结果：")
print(limited_ffill)

bfill后向填充的使用技巧

bfill是backward fill的缩写，后向填充的逻辑是用缺失值后面最近的一个非缺失值来填充当前缺失值，适合缺失值后面存在有效数据的场景，比如某条记录的后续数据已经更新，可以用后续数据反推前面的缺失值。

bfill的使用示例如下：

# 使用前面的时间序列数据做后向填充
bfill_ts = ts_data.bfill()
print("后向填充后的数据：")
print(bfill_ts)

# 同样支持limit参数限制填充数量
limited_bfill = ts_data.bfill(limit=1)
print("限制填充数量后的后向填充结果：")
print(limited_bfill)

不同填充方式的适用场景对比

为了更清晰地选择填充方式，以下是三种填充方式的适用场景对比：

填充操作的注意事项

• fillna、ffill、bfill默认返回新的DataFrame/Series，不会修改原始数据，如果需要原地修改，可以设置inplace=True参数。
• 前向填充和後向填充如果缺失值位于序列的开头或结尾，可能会出现无法填充的情况，比如序列第一个值是NaN，ffill无法找到前序值，填充后还是NaN。
• 如果数据中存在多种类型的缺失值，可以结合method参数和固定值填充组合使用，比如先对数值列填充0，再对时间序列列做前向填充。

合理选择缺失值填充方式能够有效减少数据偏差，大家可以根据实际业务场景灵活选用fillna(0)、ffill、bfill等填充技巧，提升数据预处理的效率和质量。

Pandasfillnaffillbfill缺失值填充修改时间：2026-07-17 16:12:25