如何在 Pandas 中用均值填充 NAN 值？

在数据分析和处理中，我们经常会遇到数据缺失的情况。处理缺失值的方式有多种，其中一种常用的方法是用均值来填充。

在 Pandas 中，我们可以使用fillna函数来填充 NAN 值。下面是填充均值的示例代码：

import pandas as pd

# 创建一个含有 NAN 值的 DataFrame
df = pd.DataFrame({'A': [1, 2, None, 4, 5],
                   'B': [6, None, 8, None, 10],
                   'C': [11, 12, 13, 14, 15]})

# 计算每列的均值
means = df.mean()

# 用均值填充 NAN 值
df.fillna(means, inplace=True)

在上面的示例代码中，我们先创建了一个含有 NAN 值的 DataFrame，并计算了每列的均值。然后使用fillna函数将 NAN 值替换成均值。最后，我们可以通过设置inplace=True来在原 DataFrame 上进行修改。

如果只想对某一列进行填充，可以先选择这一列，然后再计算均值并填充 NAN 值。示例代码如下：

import pandas as pd

# 创建一个含有 NAN 值的 DataFrame
df = pd.DataFrame({'A': [1, 2, None, 4, 5],
                   'B': [6, None, 8, None, 10],
                   'C': [11, 12, 13, 14, 15]})

# 计算 B 列的均值
mean_b = df['B'].mean()

# 用均值填充 B 列的 NAN 值
df['B'].fillna(mean_b, inplace=True)

在上面的示例代码中，我们先选择了 B 列，然后计算了 B 列的均值并用均值填充 NAN 值。最后，我们可以通过设置inplace=True来在原 DataFrame 上进行修改。

除了用均值填充 NAN 值，还可以使用中位数、众数等方法来填充。不同的方法可能会对数据产生不同的影响，需要视具体情况而定。