说到缺失值处理无非两种，delete或者fill：
dropna 根据各标签的值中是否存在缺失数据对轴标签进行过滤，可通过阈值调节对缺失值得容忍度
drop 见http://www.cnblogs.com/zenan/p/8404964.html
fillna 用指定值或插值方法（如ffill和bfill）填充缺失数据
isnull 返回一个含有布尔值的对象，这些布尔值表示哪些值是缺失值NA,该对象的类型与源类型一样
notnull isnull的否定式
重点说一说fillna:
DataFrame.fillna（value = None，method = None，axis = None，inplace = False，limit = None，downcast = None，** kwargs )
value：标量，字典，系列或DataFrame
用于填充孔的值（例如0），或者是指定为每个索引（对于Series）或列（对于DataFrame）使用哪个值的字典/ Series / DataFrame。（不在dict / Series / DataFrame中的值不会被填充）。这个值不能是一个列表。
method：{‘backfill‘，‘bfill‘，‘pad‘，‘ffill‘，None}，默认无
用于填充重新编制索引的方法Series pad / ffill：将最后一个有效观测向前传播到下一个有效回填/填充：使用NEXT有效观察填充间隙
asix：{0或‘索引‘，1或‘列‘}
inplace：布尔值，默认为False
如果为True，请填写。注意：这将修改此对象上的任何其他视图（例如DataFrame中的列的无副本切片）。
limit：int，默认无
如果指定了方法，则这是连续的NaN值的前向/后向填充的最大数量。换句话说，如果连续NaN数量超过这个数字，它将只被部分填充。如果未指定方法，则这是沿着整个轴的最大数量，其中NaN将被填充。如果不是无，则必须大于0。
downcast：dict，默认为None
如果可能的话，item-> dtype的字典，或者字符串‘infer‘，它将尝试向下转换为合适的相等类型（例如，如果可能的话，从float64到int64）