当你发现数据集中存在缺失值，且这些空白阻碍了进一步分析时，请使用此方法。它能按照你选择的逻辑（如用均值替代或向前引用）填充空缺，同时保持数据集的原始完整性。此工具通过生成独立的数据副本，确保你的原始数据始终不受影响，并提供清晰的填补过程记录。
为什么选择缺失值填补
在数据分析中，缺失值是导致结果偏差的常见原因。缺失值填补通过预设的逻辑将这些空白填满，使后续的绘图或统计模型能够正常运行。我们提供多种策略，包括均值、中位数、向前/向后填充以及指定常数，以适应不同的数据分布和业务场景。
如何选择合适的填补策略
选择策略时，应充分考虑数据的本质。对于符合正态分布的数值数据，‘均值’填补是常用做法；而对于存在极端值的长尾分布，‘中位数’则更为稳健，不容易受异常值影响。对于具有前后因果关系的时序数据，‘向前填充’（ffill）或‘向后填充’（bfill）能更好地保留数据的连续趋势。
如果你需要对类别数据进行统一标注，或者想将所有缺失项统一重置为 0，‘常数填充’是直接且有效的选择。
透明与可追溯的流程
Lattice 的设计哲学是确保分析过程完全透明。执行缺失值填补后，你会获得一份包含‘已填充数量’和‘剩余缺失数’的详尽反馈。这种方式不仅让你清楚知道数据发生了什么改变，还能确保在进行复杂的统计分析时，每一处数据变动都有据可查。
1 · Intent → method
An LLM picks data_fillna from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
缺失值填补会改动我上传的原始文件吗？
不会。Lattice 的所有数据处理均遵循“永不修改原始数据”的决策原则。使用此方法后，系统会生成一个新的数据集副本，你可以放心地在下游分析中引用它。
为什么非数值列不能用“均值”策略填补？
为了避免误操作，系统对数据类型有严格限制。对文本列强行使用均值计算在统计学上没有意义，因此该方法会强制报错，防止产生错误的数据结果。
如果填补后仍有缺失值怎么办？
在使用向前填充或向后填充策略时，若首行或尾行本身就是空值，则无法填补。系统会生成详细的报告，明确指出每列剩余的缺失值数量，方便你根据实际情况进一步处理。
Tool 输入字段
Schema for data_fillna not exported yet (run pnpm export:registry).