一、每日一题

DataFrame products

-------------+--------+
| Column Name | Type   |
+-------------+--------+
| name        | object |
| quantity    | int    |
| price       | int    |
+-------------+--------+

编写一个解决方案，在 quantity 列中将缺失的值

编写一个解决方案，在 quantity 列中将缺失的值填充为 0。

返回结果如下示例所示。

 

 解答：

import pandas as pd

def fillMissingValues(products: pd.DataFrame) -> pd.DataFrame:
    products['quantity'] = products['quantity'].fillna(0)
    return products

题源：力扣 

二、总结

fillna() 是 Pandas 库中一个非常实用的方法，用于处理缺失数据（通常表示为 NaN 值）。这个方法可以以多种方式填充DataFrame或Series中的缺失值。以下是 fillna() 方法的一些基本用法和参数总结：

基本用法

1.填充固定值

df.fillna(value, inplace=False)

• value: 用于替换缺失值的具体值。可以是标量（如0、'missing'等）、列表、字典或Series。
• inplace: 默认为 False，意味着操作不会改变原数据，而是返回一个新的对象。如果设置为 True，则直接在原始数据上进行修改。

2.前向填充或后向填充

df.fillna(method='ffill' or 'bfill', limit=None, inplace=False)

• method: 可以是 'ffill'（前向填充，使用前面的非空值填充缺失值）或 'bfill'（后向填充，使用后面的非空值填充缺失值）。
• limit: 指定连续缺失值填充的最大数量。

参数说明

• axis: 默认为 0，即按列进行填充。如果设置为 1，则沿着行进行操作。

• limit: 当使用 ffill 或 bfill 方法时，限制连续NaN值被填充的最大数量。

• downcast: （可选）尝试向下转换数据类型以节省内存，例如从 float64 转换为 float32。

实例

1.常值填充

df['column_name'].fillna(0, inplace=True)

2.使用列的均值填充:

df['column_name'].fillna(df['column_name'].mean(), inplace=True)

3.前向填充: 

df.fillna(method='ffill', inplace=True)

参考官方文档