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 |
| DataFrame.interpolate(method, axis, limit, ...) |
用于对缺失值（NaN）进行插值填充的方法 |
| DataFrame.isna() |
用于检测 DataFrame 中缺失值（NaN）的位置的方法 |
| DataFrame.isnull() |
用于检测 DataFrame 中缺失值（NaN）的位置的方法 |
| DataFrame.notna() |
用于检测 DataFrame 中非缺失值（即不是 NaN）的位置的方法 |
| DataFrame.notnull() |
用于检测 DataFrame 中非缺失值（即不是 NaN）的位置的方法 |
| DataFrame.pad(*, 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 |
| DataFrame.replace(to_replace, value, ...) |
用于替换 DataFrame 中特定值的方法 |
pandas.DataFrame.replace()
pandas.DataFrame.replace() 是一个用于替换 DataFrame 中特定值的方法。它可以用于替换单一值、多个值、使用正则表达式匹配替换，甚至可以结合插值方法进行填充。
📌 方法签名
DataFrame.replace(to_replace=None, value=<no_default>, *, inplace=False, limit=None, regex=False, method=<no_default>)
🔧 参数说明
| 参数 |
类型 |
说明 |
to_replace |
scalar、list、dict、regex等 |
要被替换的值或模式；支持多种类型： - 标量：如 np.nan、0 等 - 列表：如 [1, 2] - 字典：指定每列的替换规则 - 正则表达式（配合 regex=True） |
value |
scalar、list、dict 或 <no_default> |
替换的目标值；如果未提供且 to_replace 是 dict，则忽略此参数 |
inplace |
bool，默认 False |
是否在原对象上修改 |
limit |
int，可选 |
插值时最多连续替换的数量（仅当 method 不为 None 时有效） |
regex |
bool，默认 False |
是否将 to_replace 视为正则表达式处理 |
method |
{'pad', 'ffill', 'bfill', None} |
插值方式，仅在 to_replace 为 None 时生效 |
✅ 返回值
- 返回一个新的
DataFrame，其中满足条件的值被替换；
- 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：替换标量值（如 NaN）
import pandas as pd
import numpy as np
df = pd.DataFrame({
'A': [1, 2, np.nan, 4],
'B': [5, np.nan, np.nan, 8]
})
print("Original DataFrame:")
print(df)
# 将 NaN 替换为 0
replaced_df = df.replace(np.nan, 0)
print("\nAfter replace(np.nan, 0):")
print(replaced_df)
输出结果：
Original DataFrame:
A B
0 1.0 5.0
1 2.0 NaN
2 NaN NaN
3 4.0 8.0
After replace(np.nan, 0):
A B
0 1 5
1 2 0
2 0 0
3 4 8
示例 2：替换多个值（列表形式）
# 将 1 和 3 替换为 0
df_multi = pd.DataFrame({'X': [1, 2, 3], 'Y': [3, 4, 5]})
replaced_multi = df_multi.replace([1, 3], 0)
print("Original Multi-value DataFrame:")
print(df_multi)
print("\nAfter replace([1, 3], 0):")
print(replaced_multi)
输出结果：
Original Multi-value DataFrame:
X Y
0 1 3
1 2 4
2 3 5
After replace([1, 3], 0):
X Y
0 0 0
1 2 4
2 0 5
示例 3：使用字典分别替换不同列
# 每列单独替换
replace_dict = {'X': 1, 'Y': 3}
replaced_dict = df_multi.replace(replace_dict, 0)
print("\nAfter replace(dict):")
print(replaced_dict)
输出结果：
After replace(dict):
X Y
0 0 0
1 2 4
2 3 5
示例 4：使用正则表达式替换字符串
df_str = pd.DataFrame({
'Name': ['Alice', 'Bob', 'Charlie'],
'Status': ['active', 'inactive', 'active']
})
# 将 'active' 替换为 'enabled'
replaced_regex = df_str.replace('active', 'enabled', regex=True)
print("Original String DataFrame:")
print(df_str)
print("\nAfter replace with regex:")
print(replaced_regex)
输出结果：
Original String DataFrame:
Name Status
0 Alice active
1 Bob inactive
2 Charlie active
After replace with regex:
Name Status
0 Alice enabled
1 Bob inactive
2 Charlie enabled
示例 5：使用 method='ffill' 进行前向填充
# 使用 ffill 填充 NaN
replaced_ffill = df.replace(np.nan, method='ffill')
print("\nAfter replace with method='ffill':")
print(replaced_ffill)
输出结果：
After replace with method='ffill':
A B
0 1.0 5.0
1 2.0 5.0
2 2.0 5.0
3 4.0 8.0
示例 6：限制替换数量（limit=1）
# 限制每次最多替换 1 个 NaN
limited_replace = df.replace(np.nan, method='ffill', limit=1)
print("\nAfter replace with limit=1:")
print(limited_replace)
输出结果：
After replace with limit=1:
A B
0 1.0 5.0
1 2.0 5.0
2 NaN NaN
3 4.0 8.0
示例 7：原地修改（inplace=True）
# 原地替换
df.replace(np.nan, 0, inplace=True)
print("\nIn-place replace (modified original):")
print(df)
输出结果（基于示例 1 的数据）：
In-place replace (modified original):
A B
0 1 5
1 2 0
2 0 0
3 4 8
🧠 应用场景
| 场景 |
说明 |
| 缺失值替换 |
如替换 NaN、None 等 |
| 异常值修正 |
如将超出范围的数值替换为合理值 |
| 文本清洗 |
如统一状态字段名称（如 'active' → 'enabled'） |
| 多列定制化替换 |
使用字典对不同列设置不同的替换规则 |
| 链式调用中清理数据 |
如 df.replace(...).fillna(0) |
⚠️ 注意事项
to_replace 可以是标量、列表、字典或正则表达式；- 若使用
regex=True，请确保 to_replace 是字符串格式；
method='ffill' / 'bfill' 适用于时间序列或趋势数据；limit 控制连续替换的最大数量；- 推荐先查看数据分布再决定如何替换；
- 仅对
NaN 生效（除非你显式传入其他值）；
replace() 不会自动排序索引，建议先排序以获得预期效果。
✅ 总结对比
| 方法 |
是否推荐使用 |
说明 |
replace(value, new_value) |
✅ 推荐 |
快速替换特定值 |
replace([v1, v2], new_value) |
✅ 推荐 |
批量替换多个值 |
replace({col: val}, ...) |
✅ 推荐 |
多列定制化替换 |
replace(..., regex=True) |
✅ 推荐 |
支持正则表达式 |
replace(method='ffill') |
✅ 推荐 |
结合插值法替换缺失值 |
你可以根据具体需求选择最适合的参数组合来清理和转换数据。