iloc索引与数据框的缺失值处理

iloc 是 pandas 中基于整数位置的索引方式，而不是基于标签的索引方式（即 loc）

以下是一些处理缺失值的常用方法：

1. 删除缺失值： 使用 dropna() 函数可以删除包含缺失值的行或列。例如：

   df_clean = df.dropna()  # 删除包含任何缺失值的行
   df_clean = df.dropna(axis=1)  # 删除包含任何缺失值的列
   

2. 填充缺失值： 使用 fillna() 函数可以用指定的值填充缺失值。例如：

   df_filled = df.fillna(0)  # 用0填充所有缺失值
   df_filled = df.fillna(method='ffill')  # 用前一个值填充缺失值（前向填充）
   df_filled = df.fillna(method='bfill')  # 用后一个值填充缺失值（后向填充）
   

3. 插值： 使用 interpolate() 函数可以对缺失值进行插值。例如：

   df_interpolated = df.interpolate()  # 使用线性插值方法填充缺失值
   

4. 使用其他列/行的值计算缺失值： 有时，你可能希望使用其他列或行的值来计算缺失值。这可以通过组合使用 fillna() 和其他函数（如 mean()、median() 等）来实现。例如：

   df_filled = df.fillna(df.mean())  # 用均值填充缺失值
   

在处理缺失值时，请确保选择适当的方法，以便在保持数据完整性的同时，最大限度地减少对分析结果的影响。