Python 数据分析三剑客之 Pandas（三）：算术运算与缺失值的处理
内容提要
本文介绍了Pandas库中的算术运算和缺失值处理。Pandas支持基本的算术运算，并能自动对齐不同索引的数据。处理缺失值的方法包括使用`fillna()`填充、`dropna()`删除缺失值，以及`isnull()`和`notnull()`判断缺失情况。这些功能帮助用户有效管理和分析数据集中的缺失值。
延伸解读
数据对齐：自动但需留意缺失值传播
Pandas 在算术运算时会自动对齐不同索引的对象，结果的索引是索引对的并集。不重叠的索引处会引入 NaN，且 NaN 会在运算中传播。例如两个 Series 相加，若索引不完全相同，则缺失索引对应的结果为 NaN。DataFrame 的对齐同时发生在行和列上，因此合并不同结构的数据时，需注意缺失值的产生。
DataFrame 与 Series 运算：广播规则与轴控制
DataFrame 与 Series 运算时，默认将 Series 的索引匹配到 DataFrame 的列，并沿行广播。若索引不匹配，则重新索引形成并集，缺失处为 NaN。若希望匹配行并在列上广播，需使用算术方法并指定 axis 参数（如 axis='index'）。这提供了灵活性，但需明确轴方向以避免错误结果。
缺失值处理：填充与删除的权衡
处理缺失值常用 fillna() 填充和 dropna() 删除。fillna() 可指定固定值或使用前向/后向填充方法；dropna() 可删除包含缺失值的行或列，并通过 how 和 thresh 参数控制删除条件。选择填充还是删除取决于数据量和分析目标，填充可能引入偏差，删除可能丢失信息，需谨慎权衡。
算术运算中的 fill_value：避免缺失值传播
使用 add、sub 等算术方法时，可通过 fill_value 参数指定填充值，使未对齐的数据与填充值运算，而非产生 NaN。例如 Series 相加时指定 fill_value=-1，缺失位置会用 -1 参与运算。这有助于在数据不完整时仍能进行有效计算，但需注意填充值的选择可能影响结果合理性。
Q&A
Pandas支持哪些基本的算术运算？
Pandas支持加、减、乘、除等基本算术运算。
如何处理Pandas中的缺失值？
可以使用`fillna()`填充缺失值，`dropna()`删除缺失值，`isnull()`和`notnull()`判断缺失情况。
Pandas如何自动对齐不同索引的数据？
Pandas在进行算术运算时会自动对齐不同索引的数据，缺失值会在运算中传播。
在Pandas中如何使用fill_value进行运算？
在使用算术方法时，可以通过`fill_value`指定填充值，未对齐的数据将与填充值进行运算。
Pandas的DataFrame与Series之间的运算是如何进行的？
DataFrame与Series之间的运算遵循广播规则，Series的索引会匹配到DataFrame的列，然后沿着行进行广播。
如何判断Pandas中的数据是否缺失？
可以使用`isnull()`判断缺失值，返回True或False，`notnull()`则相反。
