ffill()和bfill()适用于连续空值，速度快但仅处理nan/none；interpolate()适合有物理意义的空缺，需datetimeindex支持time插值；fillna()结合rolling可做局部统计填充；注意inplace=true在series中无效，须分步赋值或用df.fillna()字典参数。
用 ffill() 和 bfill() 填充连续空值最直接
多数情况下，序列里出现的空值是连续的“缺口”，比如传感器断连、日志漏写。这时 ffill()（前向填充）和 bfill()（后向填充）是最轻量、最快速的选择，底层用 C 实现，比循环快一个数量级。
注意：它们默认只对 NaN 或 None 生效，不处理字符串 "null" 或数值 -999 这类伪空值——得先用 replace() 或布尔索引清洗。
-
df["col"].ffill(limit=2)只向前填充最多 2 个位置，防止单个长缺口污染后续数据 -
df["col"].bfill().ffill()先补尾再补头，适合首尾都有缺失的时序场景 - 对
Series直接调用即可；对DataFrame需指定axis，如df.ffill(axis=0)
用 interpolate() 做线性/时间加权插值
当空缺位置有明确物理意义（比如温度随时间变化），简单前后填会扭曲趋势。interpolate() 更合理，尤其搭配 method="time" 或 method="linear"。
关键点：必须确保索引是 DatetimeIndex 才能用 method="time"；否则它退化为按整数位置插值，结果可能反直觉。
-
s.interpolate(method="time", limit_area="inside")只插中间缺口，跳过开头结尾的NaN -
s.interpolate(limit=3)控制单次插值最大跨度，避免跨过大段异常空白 - 性能上比
ffill略慢，但对百万元素以下数据几乎无感
用 fillna() + 自定义函数应对非均匀缺口
如果空值分布稀疏且不规则（比如某列每 10 行随机缺 1 个），而你又需要基于邻近非空值的统计量填充（如局部均值、中位数），fillna() 结合 rolling().mean() 是稳妥解法。
别直接用 mean() 全局填充——会掩盖局部漂移；也别在滚动窗口里包含 NaN 计算，会导致结果全 NaN。
-
s.fillna(s.rolling(5, center=True).median().fillna(s.median()))：先滚动中位数，空处 fallback 到全局中位数 -
rolling()的min_periods=1能让边缘窗口不返回NaN，但需确认是否符合业务逻辑 - 滚动计算本身不修改原序列，
fillna()才真正覆盖，顺序不能颠倒
警惕 inplace=True 在链式调用中的失效
很多人写 df["col"].ffill(inplace=True) 发现没生效——因为 Series.ffill() 返回新对象，inplace=True 只对 DataFrame 方法（如 df.fillna(..., inplace=True)）可靠生效。
更隐蔽的问题：链式操作如 df["col"].ffill().interpolate() 中，第一个方法返回副本，第二个操作在此副本上进行，原始 df 完全没变。
- 安全写法是分步赋值：
df["col"] = df["col"].ffill().interpolate() - 或统一用
df.fillna()配合字典传参：df.fillna({"col1": "ffill", "col2": "bfill"}) - 对大型 DataFrame，重复赋值有内存开销，可考虑
df.loc[:, "col"] = ...原地修改视图
ffill/bfill；带时间语义选 interpolate(method="time")；局部波动大就上滚动统计。填完务必用 df.isna().sum() 核对，别依赖肉眼判断。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
