我用nan尝试了一列字符串值。

删除nan并填充空字符串:

df.columnname.replace (np。nan， "，regex = True)

删除nan并填充一些值:

df.columnname.replace (np。nan，'value'，regex = True)

我试了df。iloc也。但它需要列的下标。所以你需要再看一下表格。简单地说，上述方法减少了一步。

如果你正在将DataFrame转换为JSON, NaN将会给出错误，所以在这个用例中最好的解决方案是将NaN替换为None。 以下是如何做到的:

df1 = df.where((pd.notnull(df)), None)

如果你正在从一个文件(比如CSV或Excel)读取数据帧，那么使用:

df.read_csv(path , na_filter=False)

df.read_excel(path , na_filter=False)

这将自动将空字段视为空字符串。”

如果你已经有了数据框架

df = df.replace(np.nan, '', regex=True)

df = df.fillna('')

df = df.fillna('')

这将用“”填充na(例如NaN)。

Inplace是可能的，但应该避免使用，因为它将被弃用:

df.fillna('', inplace=True)

只填写一列:

df.column1 = df.column1.fillna('')

可以使用df['column1']代替df.column1。

使用keep_default_na=False可以帮助你:

df = pd.read_csv(filename, keep_default_na=False)

我用nan尝试了一列字符串值。

删除nan并填充空字符串:

df.columnname.replace (np。nan， "，regex = True)

删除nan并填充一些值:

df.columnname.replace (np。nan，'value'，regex = True)

我试了df。iloc也。但它需要列的下标。所以你需要再看一下表格。简单地说，上述方法减少了一步。