Quando lavori con valori mancanti in Pandas non esiste una soluzione unica. La scelta migliore dipende molto dal tipo di analisi che devi fare e dal significato delle colonne nel tuo dataset.

In generale puoi seguire questi approcci:



Rimuovere le righe con valori mancanti

Va bene se i NaN sono pochi e la perdita di dati non influisce molto sull’analisi.









df_clean = df.dropna()





Sostituire i valori mancanti con la media, mediana o moda

Se i dati sono numerici e non vuoi perdere righe, questo è spesso il metodo più semplice.









df_filled = df.copy()
df_filled['Age'] = df_filled['Age'].fillna(df_filled['Age'].mean())
df_filled['Score'] = df_filled['Score'].fillna(df_filled['Score'].mean())
df_filled['Salary'] = df_filled['Salary'].fillna(df_filled['Salary'].median())





Interpolazione

Utile quando i dati seguono un certo ordine o una progressione.









df_interpolated = df.interpolate()





Imputazione avanzata

Se hai molti NaN o stai preparando dati per il machine learning puoi usare metodi più evoluti come KNNImputer o IterativeImputer da scikit learn.



Se ci dici qualcosa in più sul tipo di analisi posso suggerire un metodo più preciso, ma per la maggior parte dei progetti di data science i metodi sopra funzionano già molto bene.