Я пытаюсь заполнить все значения NaN в строках числовыми типами данных до нуля в пандах.

Используйте либо DF.combine_first (не действует inplace):

df.combine_first(df.select_dtypes(include=[np.number]).fillna(0))

или DF.update (изменяет inplace):

df.update(df.select_dtypes(include=[np.number]).fillna(0))

Причина, по которой fillna терпит неудачу, заключается в том, что DF.select_dtypes возвращает совершенно новый фрейм данных, который хотя и образует подмножество исходного DF, но на самом деле не является его частью. Он ведет себя как совершенно новая сущность сама по себе. Таким образом, любые изменения, внесенные в него, не повлияют на DF, из которого он получен.

Обратите внимание, что np.number выбирает все числовые типы.

Ваш pandas.DataFrame.select_dtypes подход хорош; Вы просто должны пересечь финишную черту:

>>> df = pd.DataFrame({'A': [np.nan, 'string', 'string', 'more string'], 'B': [np.nan, np.nan, 3, 4], 'C': [4, np.nan, 5, 6]})
>>> df
             A    B    C
0          NaN  NaN  4.0
1       string  NaN  NaN
2       string  3.0  5.0
3  more string  4.0  6.0

Не пытайтесь выполнять здесь fillna на месте (есть время и место для inplace=True, но здесь его нет). Вы правы в том, что select_dtypes возвращает представление. Создайте новый фрейм данных с именем filled и соедините заполненные (или «фиксированные») столбцы с исходными данными:

>>> filled = df.select_dtypes(include=['int', 'float']).fillna(0)
>>> filled
     B    C
0  0.0  4.0
1  0.0  0.0
2  3.0  5.0
3  4.0  6.0
>>> df = df.join(filled, rsuffix='_filled')
>>> df
             A    B    C  B_filled  C_filled
0          NaN  NaN  4.0       0.0       4.0
1       string  NaN  NaN       0.0       0.0
2       string  3.0  5.0       3.0       5.0
3  more string  4.0  6.0       4.0       6.0

Затем вы можете удалить любые исходные столбцы, которые у вас были, чтобы сохранить только «заполненные»:

>>> df.drop([x[:x.find('_filled')] for x in df.columns if '_filled' in x], axis=1, inplace=True)
>>> df
             A  B_filled  C_filled
0          NaN       0.0       4.0
1       string       0.0       0.0
2       string       3.0       5.0
3  more string       4.0       6.0

Рассмотрим такой кадр данных

    col1    col2    col3    id
0   1       1       1       a
1   0       NaN     1       a
2   NaN     1       1       NaN
3   1       0       1       b

Вы можете выбрать числовые столбцы и заполнить

num_cols = df.select_dtypes(include=[np.number]).columns
df[num_cols]=df.select_dtypes(include=[np.number]).fillna(0)


    col1    col2    col3    id
0   1       1       1       a
1   0       0       1       a
2   0       1       1       NaN
3   1       0       1       b