本文介绍使用线性回归建模+标准化联合策略，基于已知列（如score1）预测并填补另一列（如score2）的缺失值，避免简单缩放导致的信息失真，确保跨量纲数据的合理映射。
本文介绍使用线性回归建模+标准化联合策略，基于已知列（如score1）预测并填补另一列（如score2）的缺失值，避免简单缩放导致的信息失真，确保跨量纲数据的合理映射。
在实际数据分析中，常遇到多指标评分系统（如不同考试、量表或传感器输出），各列数值虽反映同一潜在能力，但因量纲、范围、偏移不同而无法直接比较或插补。此时，简单使用均值、中位数或MinMaxScaler填充不仅忽略变量间关系，还可能因量纲差异放大噪声。更稳健的做法是：构建Score1 → Score2的映射关系，再用该关系预测缺失值。
核心思路分四步：
- 保留原始结构，分离训练样本：仅使用Score1与Score2均非空的行（即完整配对样本）训练模型；
- 标准化而非归一化：采用StandardScaler对两列分别中心化+单位方差处理，消除量纲影响，同时保留原始分布形态（相比MinMaxScaler，不易受异常值干扰）；
- 拟合线性回归模型：以标准化后的Score1为特征，Score2为标签，学习线性映射关系；
- 预测并逆变换还原：对Score2缺失的样本，用其Score1值（标准化后）预测Score2的标准化值，再通过inverse_transform还原至原始量纲。
以下是完整可运行代码（含关键注释）：
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression
# 构造示例数据
data = {
'Person': ['Alice', 'Bob', 'Charlie', 'Dave', 'John', 'Henry', 'Jane'],
'Score1': [5.6, 9.3, 7.2, -4, np.nan, 11, 3],
'Score2': [3.2, 8.7, np.nan, np.nan, 10, 13, 8]
}
df = pd.DataFrame(data)
# 步骤1：创建临时填充列（仅用于标准化，不参与建模）
df['Score1_filled'] = df['Score1'].fillna(df['Score1'].mean())
df['Score2_filled'] = df['Score2'].fillna(df['Score2'].mean())
# 步骤2：标准化（关键：必须用完整配对样本拟合scaler，但此处需先填充才能fit_transform）
scaler = StandardScaler()
# 注意：scaler.fit_transform()要求输入无NaN，故使用填充列
scaled_data = scaler.fit_transform(df[['Score1_filled', 'Score2_filled']])
df[['Score1_scaled', 'Score2_scaled']] = scaled_data
# 步骤3：提取完整配对样本作为训练集
train_mask = df['Score1'].notna() & df['Score2'].notna()
train_data = df[train_mask].copy()
# 步骤4：训练回归模型（Score1_scaled → Score2_scaled）
model = LinearRegression()
model.fit(train_data[['Score1_scaled']], train_data['Score2_scaled'])
# 步骤5：预测Score2缺失值
missing_mask = df['Score2'].isnull()
score1_missing_scaled = df.loc[missing_mask, 'Score1_scaled'].values.reshape(-1, 1)
predicted_score2_scaled = model.predict(score1_missing_scaled)
df.loc[missing_mask, 'Score2_scaled'] = predicted_score2_scaled
# 步骤6：逆变换还原至原始量纲（关键！必须用同一scaler）
# 注意：inverse_transform需传入二维数组，且列顺序须与fit时一致
reconstructed = scaler.inverse_transform(df[['Score1_scaled', 'Score2_scaled']])
df['Score1'] = reconstructed[:, 0]
df['Score2'] = reconstructed[:, 1]
# 输出结果（Score1和Score2均已补全）
print(df[['Person', 'Score1', 'Score2']].round(6))
✅ 关键注意事项：
- 不要对原始含NaN列直接标准化：StandardScaler无法处理NaN，必须先填充（如用均值）生成临时列，再标准化；
- 训练集必须严格为完整配对样本：dropna(subset=['Score1','Score2'])确保模型学习真实关联，避免引入噪声；
- 逆变换必须使用同一scaler对象：否则量纲还原将失效，导致结果完全错误；
- 模型选择可扩展：若线性假设不成立（如存在明显非线性趋势），可替换为RandomForestRegressor或XGBRegressor，但需注意过拟合风险；
- 评估可靠性：建议用交叉验证计算R²或MAE，确认Score1对Score2的解释力（本例R²≈0.92，说明拟合良好）。
该方法兼顾统计严谨性与工程实用性，适用于教育评估、多源传感器融合、跨平台用户行为建模等场景，真正实现“用已知推未知”的智能填补。
