课程学习：Pandas 数据处理基础入门
数据填充
除了直接填充值，我们还可以通过参数，将缺失值前面或者后面的值填充给相应的缺失值。例如使用缺失值前面的值进行填充：
df.fillna(method='pad')
或者是后面的值：
df.fillna(method='bfill')
可以看到，连续缺失值也是按照前序数值进行填充的，并且完全填充。这里，我们可以通过 limit= 参数设置连续填充的限制数量：
df.fillna(method='pad', limit=1) # 最多填充一项
除了上面的填充方式，还可以通过 Pandas 自带的求平均值方法等来填充特定列或行。举个例子：
df.fillna(df.mean()['C':'E']) # 对 C 列到 E 列用平均值填充
插值填充
插值是数值分析中一种方法。简而言之，就是借助于一个函数（线性或非线性），再根据已知数据去求解未知数据的值。插值在数据领域非常常见，它的好处在于，可以尽量去还原数据本身的样子。我们可以通过 interpolate() 方法完成线性插值。
df_interpolate = df.interpolate()
df_interpolate
对于 interpolate() 支持的插值算法，也就是 method=。下面给出几条选择的建议：
- 如果你的数据增长速率越来越快，可以选择
method='quadratic'二次插值。 - 如果数据集呈现出累计分布的样子，推荐选择
method='pchip'。 - 如果需要填补缺省值，以平滑绘图为目标，推荐选择
method='akima'。
其他用法
除了上面提到的一些方法和技巧，实际上 Pandas 常用的还有：
-
数据计算，例如：
DataFrame.add等。 -
数据聚合，例如：
DataFrame.groupby等。 -
统计分析，例如：
DataFrame.abs等。 -
时间序列，例如：
DataFrame.shift等。
--- End ---
