考虑到你提供给我们的背景，我认为重要的是要强调你的数据由分类特征组成，据我所知，你的数据集是如何收集的，没有任何顺序。
这排除了使用pandas .pad方法填充缺失值的可能性，因为该方法会向前填充或回填缺失值。为了说明填充方法的常见用例，考虑一些随机信号时间序列数据，其中一些信号值在变为空之前下降到0。

time  signal_value
0  2023-01-01 00:00:00           5.0
1  2023-01-01 00:00:01           2.0
2  2023-01-01 00:00:02           1.0
3  2023-01-01 00:00:03           0.0
4  2023-01-01 00:00:04           0.0
5  2023-01-01 00:00:05           NaN
6  2023-01-01 00:00:06           NaN
7  2023-01-01 00:00:07           NaN
8  2023-01-01 00:00:08           NaN
9  2023-01-01 00:00:09           0.0
10 2023-01-01 00:00:10           0.0

在这种情况下，转发或回填缺失值是有意义的。
但如果你有一堆来自社交媒体账户的无序数据：

age     sex education  city
0  24.0    male      None  None
1  25.0  female      None  None
2   NaN    None      None  None
3   NaN    None      None  None
4  22.0    None      None  None
5   NaN    male      None  None
6  33.0  female      None  None

我认为使用forward或backfill来替换age或sex类别中缺失的值是没有意义的（更不用说education或city了，除非你有更多的信息，否则似乎不可能填充，比如像单性别大学这样相对罕见的情况）。
因此，我认为您需要在删除所有缺失值的行或单独分析特性之间做出选择。如果你单独分析这些特征，你会发现人们只分析一个特征，而不分析另一个特征，所以你应该首先确定缺失值中是否有任何模式。例如，如果city a中没有人列出他们的年龄，但这个城市主要由教育水平高于平均水平的人组成，如果您按年龄分析教育水平，则可能会扭曲数据。在this article中很好地总结了确定缺失数据中的模式，我鼓励您阅读。
也就是说，您可以基于删除任何列中缺失数据的行来执行分析，而不是基于删除仅一列中缺失数据的行来执行相同的分析，并查看分析是否相似-这可能是确定数据是否完全随机丢失的合理代理。如果你的数据是完全随机缺失的，那么有了足够大的数据集，你可以假设每个特征的分布应该保持大致相同，你可以单独分析每个特征。