在Python中，使用Pandas库处理数据时，填充缺失值是一个常见的预处理步骤。以下是几种常用的方法来填充缺失值：
1. 使用`fillna（）`函数：
```python
import pandas as pd
import numpy as np
读取数据集
df = pd.read_csv（'data.csv'）
使用固定值填充缺失值
df.fillna（-9999, inplace=True）
使用均值填充缺失值
df.fillna（df.mean（）, inplace=True）
使用众数填充缺失值
df.fillna（df.mode（）.iloc, inplace=True）
使用前一个值填充缺失值
df.fillna（method='pad', inplace=True）
使用后一个值填充缺失值
df.fillna（method='bfill', inplace=True）
使用指定值填充缺失值
df.fillna（0, inplace=True）
2. 使用`dropna（）`函数删除含有缺失值的行或列：```python删除包含任何缺失值的行
df.dropna（axis=0, how='any', inplace=True）
删除包含任何缺失值的列
df.dropna（axis=1, how='any', inplace=True）
删除包含所有缺失值的行
df.dropna（axis=0, how='all', inplace=True）
删除包含所有缺失值的列
df.dropna（axis=1, how='all', inplace=True）
3. 使用插值法填充缺失值：
```python
使用线性插值填充缺失值
df.interpolate（inplace=True）
4. 使用机器学习模型进行填充，例如KNNImputer：```pythonfrom sklearn.impute import KNNImputer
初始化KNN填充器
imputer = KNNImputer（n_neighbors=2）
对数据集进行填充
df_imputed = pd.DataFrame（imputer.fit_transform（df）, columns=df.columns）
选择哪种方法取决于数据的性质和缺失值的情况。在实践中，可能需要尝试多种方法以找到最佳的填充策略。