teradataml.dataframe.dataframe.DataFrame.fillna = fillna(self, value=None, columns=None, literal_value=False, partition_column=None)

DESCRIPTION:
    Method to replace the null values in a column with the value specified.
 
PARAMETERS:
    value:
        Required Argument.
        Specifies the value(s) to replace the null values with. If value is a dict
        then "columns" is ignored.
        Note:
            * To use pre-defined strings to replace the null value set "literal_value" to True.
        Permitted Values:
            * Pre-defined strings:
                * 'MEAN' - Replace null value with the average of the values in the column.
                * 'MODE' - Replace null value with the mode of the values in the column.
                * 'MEDIAN' - Replace null value with the median of the values in the column.
                * 'MIN' - Replace null value with the minimum of the values in the column.
                * 'MAX' - Replace null value with the maximum of the values in the column.
        Types: int, float, str, dict containing column names and value, list
 
    columns:
        Optional Argument.
        Specifies the column names to perform the null value replacement. If "columns"
        is None, then all the columns having null value and data type similar to
        the data type of the value specified are considered.
        Default Value: None
        Types: str, tuple or list of str
 
    literal_value:
        Optional Argument.
        Specifies whether the pre-defined strings passed to "value" should be treated
        as literal or not.
        Default Value: False
        Types: bool
 
    partition_column:
        Optional Argument.
        Specifies the column name to partition the data.
        Default Value: None
        Types: str
 
RETURNS:
    teradataml DataFrame
 
RAISES:
    TeradataMlException
 
EXAMPLES:
    >>> load_example_data("dataframe", "sales")
    >>> df = DataFrame("sales")
    >>> df
                  Feb    Jan    Mar    Apr    datetime
    accounts
    Blue Inc     90.0   50.0   95.0  101.0  04/01/2017
    Alpha Co    210.0  200.0  215.0  250.0  04/01/2017
    Jones LLC   200.0  150.0  140.0  180.0  04/01/2017
    Yellow Inc   90.0    NaN    NaN    NaN  04/01/2017
    Orange Inc  210.0    NaN    NaN  250.0  04/01/2017
    Red Inc     200.0  150.0  140.0    NaN  04/01/2017
 
    # Example 1: Populate null value in column 'Jan' and 'Mar'
    #            with the value specified as dictionary.
    >>> df.fillna({"Jan": 123, "Mar":234})
             accounts    Feb  Jan  Mar    Apr  datetime
        0    Blue Inc   90.0   50   95  101.0  17/01/04
        1    Alpha Co  210.0  200  215  250.0  17/01/04
        2   Jones LLC  200.0  150  140  180.0  17/01/04
        3  Yellow Inc   90.0  123  234    NaN  17/01/04
        4  Orange Inc  210.0  123  234  250.0  17/01/04
        5     Red Inc  200.0  150  140    NaN  17/01/04
 
    # Example 2: Populate the null value in 'Jan' column
    #            with minimum value in that column.
    >>> df.fillna("Min", "Jan")
             accounts    Feb  Jan    Mar    Apr  datetime
        0  Yellow Inc   90.0   50    NaN    NaN  17/01/04
        1   Jones LLC  200.0  150  140.0  180.0  17/01/04
        2     Red Inc  200.0  150  140.0    NaN  17/01/04
        3    Blue Inc   90.0   50   95.0  101.0  17/01/04
        4    Alpha Co  210.0  200  215.0  250.0  17/01/04
        5  Orange Inc  210.0   50    NaN  250.0  17/01/04
 
    # Example 3: Populate the null value in 'pclass' and
    #            'fare' column with mean value with partition
    #            column as 'sex'.
    # Load the example data.
    >>> load_example_data("teradataml", ["titanic"])
    >>> df = DataFrame.from_table("titanic")
 
    >>> df.fillna(value="mean", columns=["pclass", "fare"], partition_column="sex")
        passenger  survived  pclass                                         name     sex   age  sibsp  parch            ticket      fare cabin embarked
    0        284         1       3                   Dorking, Mr. Edward Arthur    male  19.0      0      0        A/5. 10482    8.0500  None        S
    1        589         0       3                        Gilinski, Mr. Eliezer    male  22.0      0      0             14973    8.0500  None        S
    2         17         0       3                         Rice, Master. Eugene    male   2.0      4      1            382652   29.1250  None        Q
    3        282         0       3             Olsson, Mr. Nils Johan Goransson    male  28.0      0      0            347464    7.8542  None        S
    4        608         1       1                  Daniel, Mr. Robert Williams    male  27.0      0      0            113804   30.5000  None        S
    5        404         0       3               Hakkarainen, Mr. Pekka Pietari    male  28.0      1      0  STON/O2. 3101279   15.8500  None        S
    6        427         1       2  Clarke, Mrs. Charles V (Ada Maria Winfield)  female  28.0      1      0              2003   26.0000  None        S
    7        141         0       3                Boulos, Mrs. Joseph (Sultana)  female   NaN      0      2              2678   15.2458  None        C
    8        610         1       1                    Shutes, Miss. Elizabeth W  female  40.0      0      0          PC 17582  153.4625  C125        S
    9        875         1       2        Abelson, Mrs. Samuel (Hannah Wizosky)  female  28.0      1      0         P/PP 3381   24.0000  None        C