fillna() 卡死主因是默认按列填充时的索引对齐与混合类型反复推断，导致内存和CPU双爆；应先查dtype、强转数值列、按列处理、禁用自动类型提升。
为什么 fillna() 直接用在千万行上会卡死？
因为默认的 fillna() 在 axis=0（按列）时，内部会尝试做完整索引对齐和类型推断，尤其当列含混合类型（比如 object 列里混着 None、空字符串、数字字符串）时，Pandas 会逐元素调用 isna() 并反复 infer 类型，内存和 CPU 双爆。你看到进程不动，大概率是卡在类型推断或链式拷贝上。
实操建议：
- 先用
df.dtypes检查每列真实 dtype，把明显该是数值但被识别成object的列用pd.to_numeric(..., errors='coerce')强转 - 避免对整张表调用
df.fillna(value)—— 改为按列处理，且只处理明确需要填充的列 - 禁用自动类型提升：传入
downcast=False（默认是'infer'），防止 Pandas 尝试压缩 int64 → int32
数值列用 fillna(method='ffill') 时为何结果不对？
因为 method='ffill' 默认按 axis=0（即纵向向下填充），但如果你的数据是按时间分块读取、再拼接的，索引不连续或有重复，ffill 会跨块“泄露”前一块末尾值到后一块开头，造成逻辑错误。这不是 bug，是设计如此 —— 它只认索引顺序，不管业务语义。
实操建议：
- 确认是否真需要前向填充：多数千万级场景（如传感器日志、订单流水）更应按业务分组填充，比如
df.groupby('device_id')['temp'].ffill() - 若必须全局 ffill，先重置索引：
df = df.reset_index(drop=True)，否则稀疏索引会让填充跳过大量行 -
limit参数慎用：设limit=1看似安全，但在并行 chunk 处理中可能让相邻 chunk 边界处漏填
如何用 chunksize + dtype 预设规避 OOM？
读 CSV 时不用 pandas.read_csv() 一次性加载，而是用 chunksize 流式处理；但如果不提前指定 dtype，每个 chunk 仍会独立推断类型，导致后续 concat 时列类型不一致（比如一个 chunk 的 price 是 float64，另一个是 object），引发隐式转换和内存翻倍。
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
实操建议：
- 先用小样本跑一次
pd.read_csv('sample.csv', nrows=10000).dtypes，保存为字典dtypes_dict - 读取时显式传入：
pd.read_csv(path, chunksize=50000, dtype=dtypes_dict, low_memory=False) - 每个 chunk 填充后立刻写入磁盘（如 parquet）：
chunk_filled.to_parquet(f'filled_{i}.parq', index=False)，别堆在内存里 concat
用 scikit-learn 的 SimpleImputer 真比 Pandas 快吗？
只在数值列多、缺失模式规则（比如固定列需均值填充）时快 —— 因为 SimpleImputer 底层用 NumPy 向量化计算，不走 Pandas 的 object 循环路径。但它强制要求输入是二维 array，会丢掉列名和索引，且无法处理 object 列的字符串填充（比如用众数填分类变量）。
实操建议：
- 数值列统一处理：提取
df.select_dtypes(include='number').values，用SimpleImputer(strategy='mean').fit_transform()，再塞回原 DataFrame 对应位置 - 分类列单独处理：用
df['category'].mode()[0]获取众数，再用fillna()，别强塞进SimpleImputer - 注意
SimpleImputer的missing_values默认是np.nan，如果数据里存的是'N/A'或-999，得手动替换或改参数
千万级数据的填充瓶颈往往不在算法本身，而在类型混乱、索引冗余、内存碎片 —— 先 fix dtype 和索引，比换库更立竿见影。
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！
