1、在pandas中，我们采用了R语言中的惯用法，即将缺失值表示为NA，它表示不可用not available。
2、pandas项目中还在不断优化内部细节以更好处理缺失数据。
3、过滤掉缺失数据的办法有很多种。可以通过pandas.isnull或布尔索引的手工方法，但dropna可能会更实用一些。对于一个Series，dropna返回一个仅含非空数据和索引值的Series。
4、而对于DataFrame对象，可能希望丢弃全NA或含有NA的行或列。dropna默认丢弃任何含有缺失值的行。
5、最后通过一个常数调用fillna就会将缺失值替换为那个常数值，若是通过一个字典调用fillna，就可以实现对不同的列填充不同的值。这样就完成了。
Python与R语言的共同点：
Python和R在数据分析和数据挖掘方面都有比较专业和全面的模块，很多常用的功能，比如矩阵运算、向量运算等都有比较高级的用法。
Python和R两门语言有许多平台适应性，Linux、Windows都可以用，并且代码可移植性强。
Python和R比较贴近MATLAB以及minitab等常用的数学工具。
Python和R语言的区别：
数据结构方面，由于从科学计算的角度出发，R中的数据结构非常简单，主要包含向量、多维数组、列表、数据框而Python则包含更丰富的数据结构来实现数据更精准的访问和内存控制，多维数组、元组、集合、字典等等。
Python与R对比速度更快，Python可以直接处理上G的数据R不行，R分析数据时需要先通过数据库把大数据转化为小数据才能交给R做分析，因此R不可能直接分析行为详单，只能分析统计结果。
Python是一套比较平衡的语言，各方面都可以，无论是对其他语言的调用，和数据源的连接、读取，对系统的操作，还是正则表达式和文字处理，Python都有着非常明显的优势，而R在统计方面比较突出。
Python的pandas借鉴了R的dataframes，R中的rvest则参考了Python的beautiful
soup，两种语言在一定程度上存在互补性通常，我们认为Python比R在计算机编程、网络爬虫上更有优势而R在统计分析上是一种更高校的独立数据分析工具，所以说Python和R各具备不同的优势，很难抉择。
不过相对于R来说，Python更加简单、易学、语法清晰，适合零基础入门学习，而且掌握Python之后不仅可以从事数据分析岗位工作，还可以从事人工智能、web开发、游戏开发、运维等工作。
