pandas.pivot_table中缺失值需分两步处理：fill_value仅填充空组，fillna()支持全表、按列、方法等灵活填充，还可结合aggfunc定制逻辑及多级索引分组填充。

在 pandas.pivot_table 中，缺失值（NaN）的处理不能直接通过参数指

定填充策略，而是需要分两步：先生成透视表，再对结果中的 NaN 进行填充。这是因为 pivot_table 本身只提供 fill_value 参数——但它仅用于替换聚合过程中产生的 NaN（例如某组完全为空时），无法覆盖所有缺失场景（如行列组合天然不存在、或某些聚合结果为 NaN）。

用 fill_value 填充聚合空组

当某组（如某个 (A, B) 组合）没有任何数据参与聚合时，pivot_table 默认返回 NaN；此时 fill_value 可直接生效：

• fill_value=0：把完全空的单元格填为 0
• fill_value=np.nan（默认）：保持为空
• fill_value="missing"：适用于字符串类型聚合（需确保 aggfunc 返回对应类型）

注意：fill_value 对“有数据但聚合结果为 NaN”（如 np.mean([1, 2, np.nan])）无效——它不干预计算逻辑，只兜底空组。

用 fillna() 做通用填充

生成透视表后，调用 .fillna() 是最灵活的方式，支持标量、字典、方法（如 "ffill"）、甚至函数：

• result.fillna(0)：全表填 0
• result.fillna({"Sales": 0, "Profit": -1})：按列指定填充值
• result.fillna(method="bfill")：向下填充（适合时间序列类索引）
• result.fillna(result.mean(numeric_only=True))：用各数值列均值填充

用 aggfunc 内部控制缺失行为

部分聚合函数自带跳过 NaN 的能力（如 np.sum, np.mean 默认 skipna=True），但也可主动定制：

• 用 lambda x: x.sum(skipna=False) 强制保留 NaN（便于后续统一处理）
• 用 lambda x: x.median() if not x.isna().all() else -999 实现条件填充
• 组合多个函数：aggfunc={"Sales": "sum", "Profit": lambda x: x.max() if len(x) > 0 else 0}

多级索引下按层级填充

若透视表含多级行/列索引，可结合 groupby + fillna 实现分组填充：

• result.groupby(level=0).apply(lambda df: df.fillna(df.mean()))：按第一级行索引分组，每组用自身均值填充
• result.T.groupby(level=0).apply(lambda s: s.fillna(s.median())).T：按列名第一级分组填充

这种写法适合“同一类别内缺失值应参考同类其他项”的业务逻辑。