Python中，空值填補是一個十分常見的數據處理操作。許多數據集和數據庫中常常會出現缺失值或NaN（Not a Number）值，這些值在數據分析和機器學習中會對結果產生直接的影響。

Python中空值填補的方法有很多，例如使用fillna函數、interpolate函數、dropna函數等。下面以一個簡單的例子進行說明。

# 導入pandas庫
import pandas as pd
# 創建含有空值的數據集
df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 
'B': [6, 7, None, 9, 10], 
'C': [11, 12, 13, None, 15]})
print(df)
# 使用fillna函數將空值填補為0
df.fillna(0, inplace=True)
print(df)

在上述例子中，首先創建了一個含有空值的數據集，使用fillna函數將空值填補為0，并使用inplace參數使得填補后的數據集直接覆蓋原數據集，最終輸出填補后的數據集。

除了fillna函數，Python中還有很多其他的空值填補方法。例如，使用interpolate函數可以進行線性插值來填補空值。

# 使用interpolate函數進行線性插值
df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 
'B': [6, 7, None, 9, 10], 
'C': [11, 12, 13, None, 15]})
print(df)
df = df.interpolate()
print(df)

在上述例子中，使用interpolate函數進行了線性插值，最終輸出插值后的數據集。

當然，有時候我們需要的是刪除含有空值的行或列。這時可以使用dropna函數。

# 刪除含有空值的行
df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 
'B': [6, 7, None, 9, 10], 
'C': [11, 12, 13, None, 15]})
print(df)
df.dropna(inplace=True)
print(df)

在上述例子中，使用dropna函數刪除了含有空值的行，最終輸出刪除后的數據集。

總之，Python中有很多種空值填補的方法，如果能夠嫻熟掌握這些方法，會為數據分析和機器學習的工作帶來很大的方便。