在 snowpark 中使用 `df.na.fill()` 填充缺失值时，若目标列为 `decimaltype`（如 `decimaltype(38, 12)`），直接传入 `int` 或 `float`（如 `0` 或 `0.0`）会因类型不匹配而被跳过；必须显式提供 `decimal.decimal` 实例才能成功填充。
当处理高精度数值列（如空气质量指数 MEDIAN_AQI）时，Snowflake 常将其定义为 DecimalType(precision, scale)（例如 DecimalType(38, 12)），以确保小数位精确可控。但这也意味着 Snowpark 的 na.fill() 方法对类型校验极为严格：整数 0 和浮点数 0.0 均不被视为 Decimal 类型的有效值，因此填充操作会被静默跳过，并抛出提示性警告：
Input value type doesn't match the target column data type, this replacement was skipped. Column Name: "MEDIAN_AQI", Type: DecimalType(38, 12), Input Value: 0, Type: <class 'int'>
✅ 正确做法是：为 Decimal 列指定 decimal.Decimal 对象作为填充值。例如：
from decimal import Decimal
# 按列名精确指定填充值（推荐）
df_filled = df.na.fill({
"MEDIAN_AQI": Decimal(0), # ✅ 匹配 DecimalType(38, 12)
"ANOTHER_DECIMAL_COL": Decimal("0.000"), # ✅ 支持字符串构造，避免浮点精度误差
"INT_COL": 0 # ✅ int 可用于 IntegerType/LongType 列
})⚠️ 注意事项：
- 不要使用 Decimal(0.0) —— 浮点字面量可能引入不可控精度（如 Decimal(0.1) 实际生成 0.10000000000000000555...），应优先用整数或字符串初始化：Decimal(0) 或 Decimal("0.00")。
- 若需批量处理多个 Decimal 列，可先获取 schema 并动态构建填充字典：
from snowflake.snowpark.types import DecimalType
from decimal import Decimal
fill_dict = {}
for field in df.schema.fields:
if isinstance(field.datatype, DecimalType):
# 统一填 0，保留原始精度（scale 不影响填充值构造）
fill_dict[field.name] = Decimal(0)
df_filled = df.na.fill(fill_dict)? 替代方案（仅限业务允许时）：
若无需超高精度，可将列类型改为 FloatType 或 DoubleType，此时 int/float 值可直接填充：
from snowflake.snowpark.types import FloatType
df_cast = df.with_column("MEDIAN_AQI", df["MEDIAN_AQI"].cast(FloatType()))
df_filled = df_cast.na.fill({"MEDIAN_AQI": 0}) # ✅ now works但此操作会丢失小数精度与金融级准确性，不建议用于货币、科学计算等场景。
? 总结：Snowpark 的类型安全机制要求 na.fill() 的填充值与列类型严格一致。面对 DecimalType，唯一可靠方式是使用 decimal.Decimal 实例 —— 这既是最佳实践，也是类型系统设计的必然要求。
