1、在pandas中，大家采用了R语言中的惯用法，即将缺失值表示为NA，它表示不可用not available。 2、pandas项目中还在不断优化内部细节以更好处理缺失数据。 3、过滤掉缺失数据的办法有很多种。可以通过pandas.isnull或布尔索引的手工方法，但dropna可能会更实用一些。对于一个Series，dropna返回一个仅含非空数据和索引值的Series。 4、而对于DataFrame对象，可能希望丢弃全NA或含有NA的行或列。dropna默认丢弃任何含有缺失值的行。 5、最后通过一个常数调用fillna就会将缺失值替换为那个常数值，若是通过一个字典调用fillna，就可以实现对不同的列填充不同的值。这样就完成了。