如何在Python中使用Scikit-learn处理数据集中的缺失值？-Python教程-PHP中文网

simpleimputer是填充数值型缺失值最稳妥方法，需注意输入为二维数组、异常值处理及pipeline封装避免数据泄露。

如何在python中使用scikit-learn处理数据集中的缺失值？

用 `SimpleImputer` 填充数值型缺失值最稳妥

直接用 SimpleImputer 是当前最推荐的做法，它比已弃用的 Imputer 更明确、更安全。默认策略是 "mean"，但实际中常需根据分布选 "median"（对异常值鲁棒）或 "most_frequent"（适合离散型数值）。注意：它只接受二维数组，传入 pandas.DataFrame 会报 ValueError: Expected 2D array, got 1D array instead。

实操建议：

先用 df.select_dtypes(include=['number']) 提取数值列，再送入 SimpleImputer
训练时用 fit_transform()，预测时只用 transform()，避免数据泄露
若列中有 np.inf 或 -np.inf，SimpleImputer 会静默失败——务必提前用 np.isfinite() 过滤

对类别型变量用 `SimpleImputer(strategy='most_frequent')` 要小心

SimpleImputer 支持字符串类型输入，但要求所有值必须是 Python 原生 str 或 None，不能混入 np.nan（pandas 默认缺失标识）或 pd.NA。否则会抛出 TypeError: ufunc 'isnan' not supported for the input types。

实操建议：

填充前统一转为 object 类型：df_cat = df[cat_cols].astype('object')
显式将 np.nan 替换为 None：df_cat = df_cat.where(pd.notna(df_cat), None)
避免用 strategy='constant' 填 "missing"——后续做 OneHotEncoder 时可能意外引入新类别，影响线上一致性

别在 Pipeline 外单独 fit 缺失值处理器

常见错误是先用 SimpleImputer().fit_transform(X_train) 处理训练集，再用同样实例处理测试集。这看似可行，但一旦数据预处理逻辑变更（比如加新特征），容易漏掉对测试集的同步更新，导致训练/推理不一致。

Python 3.14.2

Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。

下载

正确做法是把 imputer 封进 ColumnTransformer 或自定义 TransformerMixin 类，并整体套进 Pipeline：

from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer

num_pipe = Pipeline([('impute', SimpleImputer(strategy='median'))])
preproc = ColumnTransformer(
    transformers=[('num', num_pipe, num_cols)],
    remainder='passthrough'
)
pipe = Pipeline([('preproc', preproc), ('model', LogisticRegression())])

这样能保证每次 fit() 和 predict() 都走同一套逻辑，且 get_params() 可查、set_params() 可调。