tf.where仅定位缺失值不填充，正确用法需显式指定dtype；数值填充应预计算统计量再广播；时序数据可用图像padding思路模拟ffill；复杂插补宜离线处理，避免tf.py_function拖慢训练。
用 tf.where 做缺失值掩码，但别直接填值
tf.where 本身不填充，它只定位——返回缺失位置的索引或布尔掩码。很多人误以为能靠它“一键修复”，结果发现输出仍是 NaN，模型训练直接报 InvalidArgumentError: Nan in gradient。
- 适用场景：需要保留原始缺失结构做条件分支（比如“仅对非空样本计算损失”）
- 常见错误：写成
tf.where(tf.math.is_nan(x), tf.constant(0), x)后没检查 dtype —— 若x是float32，而填的0是 int，默认转成int32，导致类型不匹配报错 - 正确写法必须显式指定 dtype：
tf.where(tf.math.is_nan(x), tf.constant(0.0, dtype=x.dtype), x) - 性能注意：
tf.where在图模式下会广播整个张量，大数据集上比预计算均值再广播填充慢 2–3 倍
数值填充首选 tf.data.Dataset.map + 预计算统计量
训练前算好每列均值/中位数，存成 tf.constant，再在 map 里复用——这是最稳、最快、也最符合 TensorFlow 2.x Eager/Graph 双模式的做法。
- 为什么不能边跑边算？
tf.reduce_mean在map函数里调用会触发动态 shape 推断失败，尤其 batch 维度不固定时直接报Unknown shape - 实操建议：用 NumPy 先扫一遍训练集（别用
tf.data自己算），得到means = np.nanmean(train_array, axis=0)，再转tf.constant(means, dtype=tf.float32) - 填法示例：
def impute_fn(x): return tf.where(tf.math.is_nan(x), means, x)，然后dataset.map(impute_fn) - 坑点：测试集/验证集必须用**训练集统计量**填充，否则数据泄露；
tf.keras.layers.Normalization默认不处理NaN，得先清洗完再进该层
时间序列别硬套均值填充，试试 tf.image.pad_to_bounding_box 变通法
原生没有前向填充（ffill）算子，但你可以把时间步当“高度”，特征维当“宽度”，用图像 padding 的思路模拟 ffill：把 NaN 行全挪到末尾，再截掉——本质是重排加裁剪。
- 适用场景：传感器时序、股票 OHLCV 数据，缺失集中在尾部或中间连续段
- 关键步骤：先用
tf.argmax找第一个NaN位置，再用tf.gather拆分有效段与空段，最后tf.concat把空段补在后面 - 比纯 Python 循环快：避免
tf.py_function进出 eager 模式开销，全程图内执行 - 限制：只适合固定长度序列；变长需配合
tf.RaggedTensor，但后续层兼容性差（如LSTM不吃 ragged 输入）
复杂插补慎用 tf.py_function，优先考虑 Datawig 或 sklearn 预处理
想用 KNN 插补、多重插补或分类变量众数填充？tf.py_function 虽然能包住 sklearn.impute.KNNImputer，但会切断图优化、无法上 GPU、batch 间无法并行——等于放弃 TensorFlow 的核心优势。
- 更务实的路：离线用
Datawig或sklearn处理好再喂给tf.data.TFRecordDataset - 若必须在线插补：把插补逻辑封装成独立服务（Flask + joblib 模型），
tf.py_function仅作 HTTP 请求胶水，避免计算阻塞 pipeline - 真实教训：有团队在
tf.py_function里调iterative_imputer，单步耗时从 2ms 涨到 350ms，吞吐直接跌 90%
缺失值不是“填完就完”的动作，它和你的数据分布、模型敏感度、部署环境强耦合。拿不准时，先画个 msno.matrix 看缺失模式，再决定是删、填，还是换模型——比如随机森林就根本不怕 NaN。
