Python案例怎么填充缺失数据？

本文目录导读：

1. 准备工作：创建示例数据
2. 检查缺失值
3. 删除缺失数据（最简单暴力）
4. 用固定值填充（最常用）
5. 向前/向后填充（时间序列常用）
6. 插值法（适合连续数据）
7. 用算法预测填充（KNN高级用法）
8. 综合案例：不同列用不同策略
9. 实际业务案例：销售数据
10. 选择策略的建议

在Python中,填充缺失数据通常会用到 Pandas 库，以下是几种最常用的方法，从简单到高级，配有代码案例。

准备工作：创建示例数据

import pandas as pd
import numpy as np
# 创建一个包含缺失值的DataFrame
df = pd.DataFrame({
    'A': [1, 2, np.nan, 4, 5],
    'B': [np.nan, 2, 3, np.nan, 5],
    'C': [1, 2, 3, 4, 5],
    'D': ['a', np.nan, 'c', 'd', np.nan]
})
print("原始数据：")
print(df)

输出：

     A    B  C    D
0  1.0  NaN  1    a
1  2.0  2.0  2  NaN
2  NaN  3.0  3    c
3  4.0  NaN  4    d
4  5.0  5.0  5  NaN

---

检查缺失值

# 检查哪些是空值
print(df.isnull())
# 统计每列缺失数量
print(df.isnull().sum())

---

删除缺失数据（最简单暴力）

# 删除包含任何缺失值的行
df_drop_any = df.dropna()
print("删除任何缺失值的行：")
print(df_drop_any)
# 删除全部为缺失值的行
df_drop_all = df.dropna(how='all')
# 删除指定列有缺失的行
df_drop_subset = df.dropna(subset=['A', 'B'])

---

用固定值填充（最常用）

1 填充常数

# 用0填充所有缺失值
df_fill0 = df.fillna(0)
print("用0填充：")
print(df_fill0)
# 用指定值填充不同列
df_fill_specific = df.fillna({
    'A': 999,
    'B': 0,
    'D': '未知'
})

2 填充统计值

# 用列平均值填充
df_fill_mean = df['A'].fillna(df['A'].mean())
# 用列中位数填充
df_fill_median = df['B'].fillna(df['B'].median())
# 用众数填充（适合分类数据）
df_fill_mode = df['D'].fillna(df['D'].mode()[0])
# 应用到整个DataFrame
df_numeric = df.select_dtypes(include=[np.number])
df[df_numeric.columns] = df_numeric.fillna(df_numeric.mean())

---

向前/向后填充（时间序列常用）

# 向前填充（用上一个有效值填充）
df_ffill = df.fillna(method='ffill')
print("向前填充：")
print(df_ffill)
# 向后填充
df_bfill = df.fillna(method='bfill')
# 限制填充次数（比如最多填充2个连续的缺失）
df_ffill_limit = df.fillna(method='ffill', limit=2)

---

插值法（适合连续数据）

# 线性插值
df_interpolate = df.interpolate()
print("线性插值：")
print(df_interpolate)
# 其他插值方法
df_interp_quadratic = df.interpolate(method='quadratic')  # 二次插值
df_interp_spline = df.interpolate(method='spline', order=3)  # 样条插值
# 时间序列插值
# df_time.interpolate(method='time')

---

用算法预测填充（KNN高级用法）

from sklearn.impute import KNNImputer
# 只对数值列进行KNN填充
imputer = KNNImputer(n_neighbors=2)
df_numeric_imputed = pd.DataFrame(
    imputer.fit_transform(df_numeric),
    columns=df_numeric.columns
)
print("KNN填充：")
print(df_numeric_imputed)

---

综合案例：不同列用不同策略

def fill_missing_values(df):
    """智能填充缺失值"""
    df_filled = df.copy()
    for col in df_filled.columns:
        if df_filled[col].dtype == 'object':  # 字符串列
            # 用众数填充
            mode_val = df_filled[col].mode()
            if not mode_val.empty:
                df_filled[col] = df_filled[col].fillna(mode_val[0])
            else:
                df_filled[col] = df_filled[col].fillna('缺失')
        else:  # 数值列
            # 用中位数填充（对异常值更稳健）
            df_filled[col] = df_filled[col].fillna(df_filled[col].median())
    return df_filled
df_filled = fill_missing_values(df)
print("智能填充结果：")
print(df_filled)

---

实际业务案例：销售数据

# 模拟销售数据
sales_data = pd.DataFrame({
    '日期': pd.date_range('2023-01-01', periods=10),
    '销售额': [100, 150, np.nan, 200, np.nan, 250, 300, np.nan, 350, 400],
    '客户数': [10, 12, 11, np.nan, 15, 16, np.nan, 18, 19, 20]
})
# 策略：销售额用前一周均值填充，客户数用线性填充
sales_data['销售额'] = sales_data['销售额'].fillna(
    sales_data['销售额'].rolling(window=3, min_periods=1).mean()
)
sales_data['客户数'] = sales_data['客户数'].interpolate(method='linear')
print(sales_data)

---

选择策略的建议

数据类型	推荐填充方法	原因
数值连续	均值/中位数/插值	保持数据分布
数值离散	众数/中位数	不引入不合理值
分类数据	众数/新建"缺失"类别	不改变类别含义
时间序列	向前填充/插值	保持时间连续性
少量缺失	删除行	简单有效
大量缺失	算法预测(KNN等)	利用多变量信息

核心原则：

• 缺失率 < 5%：直接删除或均值填充
• 缺失率 5-20%：根据数据类型选择合适方法
• 缺失率 > 20%：谨慎处理，可能需要更复杂的模型

如果需要处理真实数据,建议先分析缺失模式（随机缺失/非随机缺失），再选择最适合的方法。