缺失值超30%时勿直接dropna，应分类型处理：数值列用time插值，类别列先编码再众数填充，高基数文本列标记MISSING；KNN填补需标准化且避免距离失真。
缺失值太多时，df.dropna() 直接删掉会丢数据，别急着删
当 df.isnull().mean().max() 超过 0.3（即某列 30% 以上是空），用 dropna() 很可能砍掉整行有效字段。尤其时间序列或用户行为日志里，缺失常呈块状分布——删一行可能损失多个关键指标。
更稳妥的做法是先分类型处理：
- 数值型列：优先考虑插值或邻近样本填补
- 类别型列（
dtype == 'object'或category）：慎用插值，mode()或 KNN 更合适 - 高基数文本列（如用户 ID、URL）：基本不填补，标记为
'MISSING'或保留NaN更安全
df.interpolate() 不是万能的，线性插值在非单调时间索引上会出错
interpolate() 默认按行索引线性插值，但如果你的 DataFrame 没设时间索引，或索引是乱序整数（比如从 CSV 读入未重置），它会把第 5 行和第 7 行之间“脑补”出第 6 行的值——这毫无业务意义。
正确做法：
- 先确保索引有意义：
df = df.set_index('timestamp').sort_index()（时间列需是datetime64） - 指定插值方法：
method='time'（按真实时间间隔）、method='pad'（前向填充）、limit=2（最多连续填 2 个） - 跳过非数值列：
df.select_dtypes(include='number').interpolate(method='time')，再用combine_first()合并回原表
示例：df['temp'].interpolate(method='time', limit_direction='both') 可双向填补，但注意 limit_direction 对 method='linear' 无效。
用 KNeighborsImputer 填类别变量前，必须做标签编码且不能含 NaN
sklearn.impute.KNeighborsImputer 只接受数值矩阵，直接传入含字符串的列会报 ValueError: Input contains NaN, infinity or a value too large for dtype('float64')——它自己不处理缺失，反而要求输入已 clean。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
实操流程必须严格按顺序：
- 对每个类别列，先用
pd.Categorical编码，再用.codes转成整数（-1 表示 NaN，需先替换） - 将所有 -1 替换为
np.nan，然后统一用SimpleImputer(strategy='most_frequent')填一次，保证无 NaN 才能进 KNN -
KNeighborsImputer(n_neighbors=3)的性能开销大，列数 > 50 或样本 > 10k 时建议采样或降维（如用TruncatedSVD）
别漏掉这步：imputer.fit_transform(X_numeric) 返回的是 numpy.ndarray，要手动转回 DataFrame 并对齐列名，否则后续 merge 会错位。
混合类型数据集上，KNN 和插值混用时要注意缩放与距离定义
如果同时对温度（单位 ℃）、用户点击次数（0–500）、页面停留秒数（0–30000）做 KNN 填补，未标准化会导致距离完全由大数值字段主导——点击次数一个单位变化 ≈ 温度变化 100℃，KNN 找到的“邻居”根本不是业务意义上的相似用户。
必须做：
- 数值列用
StandardScaler（不是MinMaxScaler，后者对离群值敏感） - 类别编码后的整数列，若取值范围过大（如用户 ID 达 1e6），需先哈希降维或改用频率编码
- 验证填补合理性：随机 mask 1% 已知值，用相同流程填补后，对比
mean_absolute_error，高于原始 std 的 0.5 倍就说明特征工程有问题
真正麻烦的不是代码写几行，而是每次换数据源就得重跑分布诊断——时间戳是否对齐、类别是否漂移、新出现的空字符串算不算缺失，这些没法靠一个 fit_transform 自动覆盖。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
