并不保证切片返回一个视图或副本。你可以这样做

df['column'] = df['column'].fillna(value)

我只是想提供一点更新/特殊情况，因为看起来人们仍然来这里。如果您正在使用多索引或其他索引切片器，inplace=True选项可能不足以更新您所选择的切片。例如，在2x2级别的多索引中，这不会改变任何值(例如pandas 0.15):

idx = pd.IndexSlice
df.loc[idx[:,mask_1],idx[mask_2,:]].fillna(value=0,inplace=True)

“问题”是链接破坏了fillna更新原始数据框架的能力。我把“问题”加上引号，是因为在某些情况下，设计决策导致不通过这些链进行解释是有充分理由的。此外，这是一个复杂的示例(尽管我真的遇到了它)，但同样的情况可能适用于更少的索引级别，这取决于您如何进行切片。

解决方案是DataFrame.update:

df.update(df.loc[idx[:,mask_1],idx[[mask_2],:]].fillna(value=0))

它是一行，读起来相当好(某种程度上)，并消除了任何不必要的中间变量或循环混乱，同时允许您将fillna应用到您喜欢的任何多级切片!

如果有人能找到这个不工作的地方，请在评论中发帖，我一直在搞砸它，看看源代码，它似乎至少解决了我的多索引切片问题。

并不保证切片返回一个视图或副本。你可以这样做

df['column'] = df['column'].fillna(value)

下面的代码适合我。

import pandas

df = pandas.read_csv('somefile.txt')

df = df.fillna(0)

替换熊猫中的na值

df['column_name'].fillna(value_to_be_replaced,inplace=True)

如果inplace = False，它不会更新df (dataframe)，而是返回修改后的值。

主要有两种选择;在输入或填充缺失值NaN / np时。只有数值替换的Nan(跨列):

df(“金额”)。fillna(value=None, method=，axis=1，)是足够的:

来自文档:

取值:scalar、dict、Series或DataFrame 值用于填充孔(例如0)，交替使用a dict/Series/DataFrame的值，指定用于哪个值 每个索引(对于Series)或列(对于DataFrame)。(值不 在dict/Series/DataFrame中将不会被填充)。此值不能 列个清单。

这意味着'字符串'或'常量'不再允许被赋值。

对于更专门的imputer，使用SimpleImputer():

from sklearn.impute import SimpleImputer
si = SimpleImputer(strategy='constant', missing_values=np.nan, fill_value='Replacement_Value')
df[['Col-1', 'Col-2']] = si.fit_transform(X=df[['C-1', 'C-2']])