python資料預處理之缺失值簡單處理：https://blog.csdn.net/Amy_mm/article/details/79799629
該部落格總結比較詳細，感謝部落客。
我們在進行模型訓練時，不可避免的會遇到某些特征出現空值的情況，下面整理了幾種填充空值的方法
1. 用固定值填充
對于特征值缺失的一種常見的方法就是可以用固定值來填充，例如0，9999， -9999, 例如下面對灰階分這個特征缺失值全部填充為-99
data['灰階分'] = data['灰階分'].fillna('-99')
2. 用均值填充
對于數值型的特征，其缺失值也可以用未缺失資料的均值填充，下面對灰階分這個特征缺失值進行均值填充
data['灰階分'] = data['灰階分'].fillna(data['灰階分'].mean()))
3. 用衆數填充
與均值類似，可以用未缺失資料的衆數來填充缺失值
data['灰階分'] = data['灰階分'].fillna(data['灰階分'].mode()))
4. 用上下資料進行填充
用前一個資料進行填充
data['灰階分'] = data['灰階分'].fillna(method='pad')
用後一個資料進行填充
data['灰階分'] = data['灰階分'].fillna(method='bfill')
5. 用插值法填充
data['灰階分'] = data['灰階分'].interpolate()
6. 用KNN進行填充
from fancyimpute import BiScaler, KNN, NuclearNormMinimization, SoftImpute
dataset = KNN(k=3).complete(dataset)