嘿，这两个问题都是数据预处理里的经典痛点，我结合实际项目经验给你梳理清楚：

下面是几种工业界常用的填充手段，适配不同场景：

• 统计量填充（数值/类别特征通用）：
  数值型优先用中位数（避免异常值干扰），有明显众数的类别型直接用众数填充，是最稳妥的基础方案：

  import pandas as pd
  # 中位数填充数值列
  df['age'].fillna(df['age'].median(), inplace=True)
  # 众数填充类别列（mode返回Series，取第一个值）
  df['gender'].fillna(df['gender'].mode()[0], inplace=True)
  

• 常数填充：
  如果缺失值有明确业务含义（比如用户未填写），直接用固定值标记，比如'Unknown'或0（注意0只适合确实表示“无”的场景）：

  df['occupation'].fillna('Unknown', inplace=True)
  df['income'].fillna(0, inplace=True)
  

• 前后向填充（时序数据专属）：
  针对时间序列或有顺序的数据集，用相邻的有效值填充，能保留数据的连续性：

  df['daily_sales'].fillna(method='ffill', inplace=True)  # 用前一天数据填充
  df['daily_sales'].fillna(method='bfill', inplace=True)  # 用后一天数据填充
  

• 插值填充：
  适合有连续趋势的数值数据，比如线性插值、时间插值，比简单统计量填充更贴合数据规律：

  df['temperature'].interpolate(method='linear', inplace=True)
  

• 模型预测填充：
  用其他完整特征训练简单模型（比如KNN、线性回归）预测缺失值，适合缺失比例适中且数据有相关性的场景，但要注意避免过拟合：

  from sklearn.impute import KNNImputer
  imputer = KNNImputer(n_neighbors=3)  # 小数据集建议k取2-3
  df_filled = pd.DataFrame(imputer.fit_transform(df), columns=df.columns)
  

小数据集容错率极低，不能随便套用通用方法，得按以下步骤谨慎处理：

1. 先做缺失值诊断
   先搞清楚缺失的本质：各列缺失比例、缺失是否和其他特征相关（比如某类用户集体不填某个字段）：

   # 查看各列缺失比例
   print(df.isnull().sum() / len(df))
   # 可视化缺失分布（看是否有规律）
   import seaborn as sns
   sns.heatmap(df.isnull(), cbar=False)
   

   如果是非随机缺失，别直接填充，先新增一个[col]_is_missing的二值特征（0=无缺失，1=有缺失），把缺失本身作为信息保留。

2. 分特征类型选填充策略

   • 数值型特征：优先用中位数（小数据集均值波动大，容易被异常值带偏）；如果是时序数据，用前后向填充。
   • 类别型特征：优先新增“Missing”类别（比强行填充众数更合理，小数据集的众数可能不具代表性），如果缺失比例极低（<3%）再考虑众数填充。

3. 拒绝过度复杂的填充方法
   小数据集用复杂模型（比如随机森林）预测缺失值很容易过拟合，会把噪声当成规律。如果一定要用模型填充，就选最简单的KNN，并且用交叉验证确认效果。

4. 验证填充效果
   填充后用简单模型（比如逻辑回归、决策树）做交叉验证，对比填充前后的模型性能。如果性能下降，说明填充策略破坏了数据规律，得调整。

内容的提问来源于stack exchange，提问作者TechGeek