Pandas2.2 DataFrame
Missing data handling
| 方法 | 描述 |
|---|---|
| DataFrame.fillna([value, method, axis, ...]) | 用于填充 DataFrame 中的缺失值（NaN） |
| DataFrame.backfill(*[, axis, inplace, ...]) | 用于**使用后向填充（即"下一个有效观测值"）来填补缺失值（NaN）**的方法 |
| DataFrame.bfill(*[, axis, inplace, limit, ...]) | 用于**使用后向填充（即"下一个有效观测值"）来填补缺失值（NaN）**的方法 |
| DataFrame.dropna(*[, axis, how, thresh, ...]) | 用于删除包含缺失值（NaN）的行或列的方法 |
| DataFrame.ffill(*[, axis, inplace, limit, ...]) | 用于**使用前向填充（即"前一个有效观测值"）来填补缺失值（NaN）**的方法 |
pandas.DataFrame.ffill()
pandas.DataFrame.ffill() 是一个用于**使用前向填充（即"前一个有效观测值"）来填补缺失值（NaN）**的方法。它等价于 fillna(method='ffill')，常用于时间序列、传感器数据或需要保持趋势一致性的场景。
📌 方法签名
python
DataFrame.ffill(*, axis=None, inplace=False, limit=None, limit_area=None, downcast=<no_default>)🔧 参数说明
| 参数 | 类型 | 说明 |
|---|---|---|
axis |
{0/'index', 1/'columns'}，默认为 None |
指定填充方向： - 0 或 'index'：按行方向（向下）填充 - 1 或 'columns'：按列方向（向右）填充 |
inplace |
bool，默认 False |
是否在原对象上修改 |
limit |
int，可选 |
最多连续填充的 NaN 数量；若未指定，则全部填充 |
limit_area |
'inside' 或 'outside'，可选 |
控制填充区域： - 'inside'：仅填充被非空包围的 NaN 区域 - 'outside'：填充边缘的 NaN |
downcast |
dict 或 'infer'，可选 |
控制是否尝试将结果转换为更小的数据类型（如 float64 → float32） |
✅ 返回值
- 返回一个新的
DataFrame，其中的NaN值被前向填充； - 如果
inplace=True，则返回None，原始数据被修改。
🧪 示例代码及结果
示例 1：基本用法 - 行方向前向填充（axis=0）
python
import pandas as pd
import numpy as np
df = pd.DataFrame({
'A': [1, np.nan, 3, np.nan, 5],
'B': [np.nan, 2, np.nan, 4, np.nan]
})
print("Original DataFrame:")
print(df)
# 使用 ffill 按行方向填充
df_ffilled = df.ffill()
print("\nAfter ffill():")
print(df_ffilled)输出结果：
Original DataFrame:
A B
0 1.0 NaN
1 NaN 2.0
2 3.0 NaN
3 NaN 4.0
4 5.0 NaN
After ffill():
A B
0 1.0 NaN
1 1.0 2.0
2 3.0 2.0
3 3.0 4.0
4 5.0 4.0注意第一行
B列仍为NaN，因为前面没有有效值可用。
示例 2：限制最大填充数量（limit=1）
python
# 设置最多填充 1 个连续 NaN
df_limited = df.ffill(limit=1)
print("\nAfter ffill(limit=1):")
print(df_limited)输出结果：
After ffill(limit=1):
A B
0 1.0 NaN
1 1.0 2.0
2 NaN 2.0
3 NaN 4.0
4 NaN 4.0可见每列最多只向前填充一个 NaN。
示例 3：按列方向填充（axis=1）
python
# 创建按列方向有 NaN 的 DataFrame
df_col = pd.DataFrame({
'X': [1, 2, 3],
'Y': [np.nan, 5, 6],
'Z': [7, np.nan, 9]
})
print("Original Column-wise DataFrame:")
print(df_col)
# 按列方向填充
df_col_ffilled = df_col.ffill(axis=1)
print("\nAfter ffill(axis=1):")
print(df_col_ffilled)输出结果：
Original Column-wise DataFrame:
X Y Z
0 1 NaN 7.0
1 2 5.0 NaN
2 3 6.0 9.0
After ffill(axis=1):
X Y Z
0 1 1.0 7.0
1 2 5.0 5.0
2 3 6.0 6.0第二列
Y被前一列X填充，第三列Z被第二列填充。
示例 4：使用 limit_area='inside' 仅填充内部 NaN
python
# 构造包含边界和内部 NaN 的 DataFrame
df_limit_area = pd.DataFrame({
'A': [np.nan, 2, np.nan, 4, np.nan], # 边缘 NaN
'B': [1, np.nan, 3, np.nan, 5] # 内部 NaN
})
print("Original DataFrame with edge and internal NaNs:")
print(df_limit_area)
# 只填充被非空包围的 NaN（不填充边缘）
df_inside = df_limit_area.ffill(limit_area='inside')
print("\nAfter ffill(limit_area='inside'):")
print(df_inside)输出结果：
Original DataFrame with edge and internal NaNs:
A B
0 NaN 1.0
1 2.0 NaN
2 NaN 3.0
3 4.0 NaN
4 NaN 5.0
After ffill(limit_area='inside'):
A B
0 NaN 1.0
1 2.0 1.0
2 NaN 3.0
3 4.0 3.0
4 NaN 5.0只填充了中间的
NaN，首尾的未填充。
示例 5：使用 limit_area='outside' 仅填充边缘 NaN
python
# 仅填充边缘 NaN
df_outside = df_limit_area.ffill(limit_area='outside')
print("\nAfter ffill(limit_area='outside'):")
print(df_outside)输出结果：
After ffill(limit_area='outside'):
A B
0 NaN 1.0
1 2.0 NaN
2 2.0 3.0
3 4.0 NaN
4 4.0 5.0此时只填充了最前或最后的
NaN，中间的未填充。
示例 6：原地修改（inplace=True）
python
# 原地修改
df.ffill(inplace=True)
print("\nIn-place ffill (modified original):")
print(df)输出结果（基于示例 1 的数据）：
In-place ffill (modified original):
A B
0 1.0 NaN
1 1.0 2.0
2 3.0 2.0
3 3.0 4.0
4 5.0 4.0🧠 应用场景
- 时间序列数据处理：填补缺失的时间点数据；
- 传感器或日志数据清洗：使用前一个时刻的值进行插值；
- 数据预处理：准备模型输入前去除 NaN；
- 控制填充范围 ：通过
limit_area精确控制填充哪些位置； - 链式调用中清理数据 ：如
df.dropna().ffill()。
⚠️ 注意事项
- 默认按行方向（
axis=0）填充； - 支持
limit_area，这是fillna(method='ffill')所没有的功能； - 若无前一个有效值，则无法填充；
limit控制连续填充的最大数量；- 不会自动排序索引，建议先排序以获得预期效果；
- 推荐结合
fillna()、bfill()等方法一起使用以满足不同需求； - 仅对
NaN生效，不会处理None或其他空值。
✅ 总结对比
| 方法 | 是否支持 limit_area |
是否推荐使用 |
|---|---|---|
ffill() |
✅ 是 | ✅ 推荐 |
pad() |
✅ 是（与 ffill() 完全相同） |
✅ 推荐 |
fillna(method='ffill') |
✅ 是（通过 method） |
✅ 推荐（更通用） |
你可以根据具体需求选择最适合的参数组合来清理缺失值。