先统计缺失#

1
missing = df.isna().mean().sort_values(ascending=False)
2
print((missing * 100).round(2).head(20))

缺失率高的字段要重点判断是否还能用于分析。缺失率很低的字段，也要看缺失是否集中在某个类别或时间段。

常见填充策略#

• 数值字段：可填 0、中位数、均值，或保留缺失，取决于业务含义。

• 分类字段：可以填 unknown，但要避免把未知当成真实类别。

• 日期字段：通常不建议随意填充，除非有明确规则。

• 文本字段：可填空字符串，但分析时要区分空文本和缺失。

示例#

1
df["amount"] = df["amount"].fillna(0)
2
df["city"] = df["city"].fillna("unknown")
3
df["age"] = df["age"].fillna(df["age"].median())

填充后要留痕#

重要字段填充前可以先创建标记列，记录哪些值原本缺失。这样后续模型或分析能知道哪些数据是补出来的。

1
df["amount_was_missing"] = df["amount"].isna()
2
df["amount"] = df["amount"].fillna(0)

实战复盘#

写《pandas 缺失值填充策略》这类数据分析文章时，我会强制保留“检查点”。因为数据分析里最危险的不是报错，而是代码顺利跑完却得到错误结论。

一个合格的 pandas 步骤，至少要能回答：输入多少行、输出多少行、哪些字段被修改、失败值有多少、是否有样本可以人工复核。缺少这些信息，代码就很难进入正式流程。

如果以后把这些文章串成系列，可以按读取、检查、清洗、变换、统计、导出排列。这样读者能从原始数据一路走到可交付结果。

最小验收样例#

验收《pandas 缺失值填充策略》时，我会手写一个三到五行的小 DataFrame：一行正常数据，一行缺失或异常数据，一行边界数据。先让示例在小表上跑通，再换成完整数据集。

小表的好处是结果可以人工计算。只要人工结果和 pandas 输出对不上，就说明代码逻辑或字段口径还没想清楚。这个过程比直接在大表上调试更可靠。

小结#

缺失值填充是业务判断，不是格式清洗。先理解缺失含义，再选择填法，并尽量保留可追溯标记。