这篇博客详细介绍了在数据分析中如何处理缺失值和重复值。使用`isnull()`和`notnull()`可以快速定位缺失值，`fillna()`允许填充缺失值，而`dropna()`则能删除含有缺失值的行或列。对于重复值，`duplicated()`用于检查，`drop_duplicates()`用于删除。`dropna()`和`drop_duplicates()`提供了多种参数选项，如`axis`、`how`、`subset`和`inplace`，以灵活地处理数据。此外，还讲解了`fillna()`的`value`和`method`参数，用于设定填充方式和值。这些方法对于数据预处理至关重要。 Null的处理方法
isnull() #返回表明那些是缺失值的布尔值
notnull() #isnull()的反函数
fillna()
dropna()
#查找重复值
data.duplicated()
删除重复值
data.drop_duplicates()
(1)data.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)说明：其中axis通常为0，
how=['any','all']，其中any就是只要有一个是null,那么就drop这一行，all是指一行的所有值为null
subset是根据指定的列名来判断是否为null
inplace;函数返回的是视图，不改变原始值，当 inplace=True时，原始值也会被改变
df.fillna(
value=None, #字典{列名：填充值}
method=None, #插值方法，ffill（默认）,bfill,ffill将前一个值；来填充null,bfill用后一个值来填充null
axis=0, #
inplace=False,
limit=None,
downcast=None,
)
keep: 'first' (默认)or 'last'，选择保留重复值的第一个或者最后一个
\
