在Pandas中，除了使用fillna()方法外，还有其他几种方法可以处理空值（NaN）：

1. 删除空值

使用dropna()方法可以删除含有空值的行或列。

df = df.dropna()  # 删除任何含有NaN的行 df = df.dropna(axis=1)  # 删除含有NaN的列 

2. 条件过滤

使用布尔索引来过滤出没有空值的行。

df = df[df['column_name'].notna()] 

3. 使用前一个或后一个非空值填充

使用fillna()方法的method参数来前向填充或后向填充。

df = df.fillna(method='ffill')  # 前向填充 df = df.fillna(method='bfill')  # 后向填充 

4. 插值

使用interpolate()方法进行插值填充空值。

df = df.interpolate(method='linear')  # 线性插值 

5. 替换空值

使用replace()方法将空值替换为一个指定的值。

df = df.replace(np.nan, 0)  # 将NaN替换为0 

6. 使用相关列的统计值填充

例如，可以使用均值、中位数或众数来填充空值。

mean_value = df['column_name'].mean() df['column_name'] = df['column_name'].fillna(mean_value) 

7. 使用模型预测填充

使用机器学习模型预测缺失值，例如线性回归、决策树等。

from sklearn.linear_model import LinearRegression  # 假设我们使用线性回归模型来预测缺失值 model = LinearRegression() model.fit(df[['feature1', 'feature2']], df['target_column']) predicted_values = model.predict(df[['feature1', 'feature2']]) df['target_column'] = df['target_column'].fillna(predicted_values) 

8. 空值列的特定逻辑

对于某些特定的列，可以应用特定的逻辑来填充空值。

df['column_name'] = df['column_name'].fillna(df['column_name'].mode()[0]) 

9. 使用外键数据填充

如果空值的信息可以从另一个数据源获取，可以使用外键数据来填充。

10. 创建新列基于条件填充

基于其他列的条件来创建新列，并用新列填充空值。

df['new_column'] = 0 df.loc[df['column_name'] > 0, 'new_column'] = df['column_name'] df['column_name'] = df['new_column'] 

处理空值是数据预处理的关键步骤，选择哪种方法取决于数据的性质和分析的需求。通常，数据科学家会根据具体情况和业务逻辑来选择最合适的方法。