11 de Agosto de 2026 6 min de leitura

Pandas #5 - Dados Ausentes: isna(), ffill(), bfill() e interpolate()

Como inspecionar dados ausentes com isna() e notna(), preencher lacunas na direção certa com ffill() e bfill(), e estimar valores intermediários com interpolate().

No post anterior você viu as duas ferramentas mais diretas pra lidar com células vazias: dropna(), que remove as linhas, e fillna(), que preenche com um valor fixo ou estatístico. Elas resolvem a maioria dos casos, mas não são as únicas opções — às vezes você só quer saber onde estão os vazios sem mexer em nada ainda, e às vezes o melhor preenchimento não é uma média, e sim o valor mais próximo na linha do tempo.

Neste post você vai ver três ferramentas que complementam o que já foi visto: isna()/notna() pra inspecionar sem remover, ffill()/bfill() pra preencher na direção certa, e interpolate() pra estimar valores intermediários.

Inspecionando sem remover: isna() e notna()

Antes de decidir o que fazer com uma célula vazia, às vezes você só quer confirmar onde ela está — sem descartar nada ainda. isna() devolve uma máscara booleana, True em cada posição vazia.

Exemplo 1 - localizando valores ausentes

import pandas as pd

dados = {
    "dia": [1, 2, 3, 4, 5],
    "temperatura": [24.5, None, 23.8, None, 25.1]
}

df = pd.DataFrame(dados)
print(df["temperatura"].isna())

A saída é:

0    False
1     True
2    False
3     True
4    False
Name: temperatura, dtype: bool

notna() é o inverso exato — True onde o valor existe. Como qualquer máscara booleana, dá pra usar direto pra filtrar:

print(df[df["temperatura"].isna()])

   dia  temperatura
1    2          NaN
3    4          NaN

Isso é útil pra medir o tamanho do problema antes de decidir a estratégia — por exemplo, df["temperatura"].isna().sum() conta quantas células estão vazias, já que True vale 1 numa soma.

Preenchendo na direção certa: ffill() e bfill()

Preencher com a média (como no post anterior) faz sentido pra dados sem ordem específica. Mas em séries com uma sequência natural — como leituras de um dia após o outro — muitas vezes o preenchimento mais sensato é repetir o último valor conhecido. É pra isso que existem ffill() (forward fill) e bfill() (backward fill).

Exemplo 2 - preenchendo com o valor anterior (ffill)

print(df["temperatura"].ffill())

0    24.5
1    24.5
2    23.8
3    23.8
4    25.1
Name: temperatura, dtype: float64

Cada NaN foi substituído pelo último valor válido antes dele — a posição 1 copiou o 24.5 da posição 0, e a posição 3 copiou o 23.8 da posição 2.

Exemplo 3 - preenchendo com o valor seguinte (bfill)

print(df["temperatura"].bfill())

0    24.5
1    23.8
2    23.8
3    25.1
4    25.1
Name: temperatura, dtype: float64

bfill() faz o caminho inverso: cada NaN recebe o próximo valor válido depois dele.

Nota: se o NaN estiver na primeira posição, ffill() não tem valor anterior pra copiar e a célula continua vazia; o mesmo vale pro bfill() numa lacuna na última posição. Nesses casos, vale combinar os dois (ffill() seguido de bfill()) ou aceitar que alguma lacuna nas pontas da série vai continuar sem preenchimento.

Limitando quantas células consecutivas preencher

Repetir o mesmo valor indefinidamente pode não fazer sentido se a lacuna for muito grande — o parâmetro limit restringe quantas células consecutivas cada chamada preenche.

serie_com_lacuna = pd.Series([10, None, None, None, 20])
print(serie_com_lacuna.ffill(limit=1))

0    10.0
1    10.0
2     NaN
3     NaN
4    20.0
dtype: float64

Com limit=1, só a primeira célula vazia depois de um valor válido foi preenchida — as duas seguintes continuaram NaN, porque já ultrapassaram o limite.

Estimando valores com interpolate()

ffill() e bfill() simplesmente copiam um valor existente. Quando os dados variam de forma mais ou menos contínua, interpolate() costuma dar uma estimativa mais realista: ele calcula um valor intermediário entre o ponto anterior e o seguinte.

Exemplo 4 - interpolação linear

print(df["temperatura"].interpolate())

0    24.50
1    24.15
2    23.80
3    24.45
4    25.10
Name: temperatura, dtype: float64

Por padrão (method="linear"), o Pandas traça uma reta entre os dois valores válidos mais próximos e calcula o ponto correspondente — a posição 1, entre 24.5 e 23.8, virou a média dos dois (24.15), e a posição 3, entre 23.8 e 25.1, virou 24.45.

Nota: interpolate() tem outros métodos além do linear — method="time", por exemplo, leva em conta o espaçamento real entre datas quando o índice é temporal, em vez de assumir que os pontos estão igualmente espaçados. Vale a pena revisitar esse parâmetro quando o índice do seu DataFrame for de datas.

Com isna(), notna(), ffill(), bfill() e interpolate(), você tem agora um conjunto bem mais completo de estratégias pra dados ausentes do que só remover ou preencher com um valor fixo. O próximo post continua no tema de organização de dados, mas de um ângulo diferente: como ordenar e reindexar um DataFrame.

Fonte adaptada: Pandas - Missing Data, Pandas - Filling Missing Data, Pandas - Interpolation of Missing Values