說到缺失值處理無非兩種，delete或者fill：

　　dropna 根據各標簽的值中是否存在缺失數據對軸標簽進行過濾，可通過閾值調節對缺失值得容忍度

　　drop 見http://www.cnblogs.com/zenan/p/8404964.html　　
　　fillna 用指定值或插值方法（如ffill和bfill）填充缺失數據
　　isnull 返回一個含有布爾值的對象，這些布爾值表示哪些值是缺失值NA,該對象的類型與源類型一樣
　　notnull isnull的否定式

重點說一說fillna:

DataFrame.fillna（value = None，method = None，axis = None

，inplace = False，limit = None，downcast = None，** kwargs )

value：標量，字典，系列或DataFrame

用於填充孔的值（例如0），或者是指定為每個索引（對於Series）或列（對於DataFrame）使用哪個值的字典/ Series / DataFrame。（不在dict / Series / DataFrame中的值不會被填充）。這個值不能是一個列表。

method：{‘backfill‘，‘bfill‘，‘pad‘，‘ffill‘，None}，默認無

用於填充重新編制索引的方法Series pad / ffill：將最後一個有效觀測向前傳播到下一個有效回填/填充：使用NEXT有效觀察填充間隙

asix：{0或‘索引‘，1或‘列‘}

inplace：布爾值，默認為False

如果為True，請填寫。註意：這將修改此對象上的任何其他視圖（例如DataFrame中的列的無副本切片）。

limit：int，默認無

如果指定了方法，則這是連續的NaN值的前向/後向填充的最大數量。換句話說，如果連續NaN數量超過這個數字，它將只被部分填充。如果未指定方法，則這是沿著整個軸的最大數量，其中NaN將被填充。如果不是無，則必須大於0。

downcast：dict，默認為None

如果可能的話，item-> dtype的字典，或者字符串‘infer‘，它將嘗試向下轉換為合適的相等類型（例如，如果可能的話，從float64到int64）

pandas 缺失值處理