填缺失值本质是业务判断而非技术操作：需结合字段含义选择策略，如分类变量用”unknown”、时间序列慎用ffill、数值型需警惕均值/中位数假设，优先探索缺失模式再决策。
用 fillna() 填缺失值前，先想清楚业务含义
填均值、中位数或众数不是技术问题，而是业务判断。比如用户年龄缺失，填“35”可能掩盖真实分布；订单金额缺失，填 0 会扭曲收入统计；而“未填写”本身可能是用户抗拒提供信息的信号。直接套用 fillna() 很快，但错填比不填更危险。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用
df.isNULL().sum()看缺失集中在哪些字段和比例，再查原始采集逻辑（是前端没传？后端校验丢弃？还是 etl 过程出错？） - 对分类变量，优先考虑
fillna("Unknown")或fillna("Missing")，而不是强行补众数——“未知”本身就是一种有效状态 - 时间序列类字段（如
last_login_time），慎用前向填充（method="ffill"），用户长期未登录 ≠ 上次登录时间可代表当前状态
数值型字段别只盯 mean 和 median
均值对异常值敏感，中位数丢失量级信息，两者都假设缺失是随机发生的——但现实中，缺失常与业务风险强相关（比如高净值客户更不愿填职业）。盲目填充会削弱模型对真实模式的识别能力。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先做分组探索：用
df.groupby("is_missing_age")["income"].describe()看缺失人群的收入分布是否显著不同 - 若缺失有业务规律（如新注册用户
job_title普遍为空），可用规则填充：df.loc[df["register_days"] - 需要建模填充时，用
sklearn.impute.IterativeImputer比单变量填充更合理，但注意它默认用线性回归，对非线性关系（如收入与教育年限的拐点）容易失真
fillna() 的 inplace 参数容易引发静默错误
设 inplace=True 看似省事，但遇上链式操作（如 df.dropna().fillna(0)）会失效，因为 dropna() 返回新对象，后续 fillna() 作用在副本上，原 df 没变。更麻烦的是，某些 pandas 版本对视图（view）调用 inplace=True 会抛 SettingWithCopyWarning，但不中断执行，导致数据状态难以追踪。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 统一用赋值写法：
df["age"] = df["age"].fillna(df["age"].median())，清晰可控 - 批量填充时用字典：
df = df.fillna({"age": 32, "income": 8500, "job_title": "Unknown"})，避免逐列覆盖的顺序依赖 - 填充后立刻验证：
assert df["age"].isnull().sum() == 0，尤其在 pipeline 中，别等下游报NaN错误才察觉
导出前检查填充是否污染了关键标识字段
业务系统常依赖某些字段做主键、去重或权限控制（如 user_id、order_no、mobile_hash）。如果这些字段因清洗脚本被误填（比如把空字符串 "" 替换成 "N/A"），下游系统可能当成新用户或重复订单处理。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 明确标记“禁止填充字段”清单，用
assert not df[forbidden_cols].isnull().any().any()在填充前拦截 - 对含敏感语义的字段（如
is_verified、payment_status），宁可保留NaN也不填False或"Pending"——缺失不等于否定 - 导出 CSV 前加一行：
df.to_csv(..., na_rep="NULL")，让缺失值显式可见，避免接收方把空字符串当有效值
事情说清了就结束。真正难的从来不是怎么填，而是敢不敢让某些字段保持 NaN。