本文介绍如何利用线性回归模型，基于已知的跨量纲数值列（如score1）预测并插补另一列（score2）中的缺失值，关键步骤包括均值填充、标准化、建模与逆变换，确保插补结果符合原始量纲。
本文介绍如何利用线性回归模型，基于已知的跨量纲数值列（如score1）预测并插补另一列（score2）中的缺失值，关键步骤包括均值填充、标准化、建模与逆变换，确保插补结果符合原始量纲。
在实际数据分析中，常遇到多源评分指标（如不同考试、量表或系统产出的分数）具有强相关性但量纲迥异的情况。此时直接使用Min-Max缩放易放大噪声，而简单均值/中位数填充则忽略变量间结构关系。更稳健的做法是构建回归模型，将一列作为特征、另一列作为目标，在统一尺度下学习映射关系，再将预测结果还原至原始量纲。
以下为完整实现流程（以 Score1 → Score2 插补为例）：
✅ 正确步骤解析
- 预处理缺失值：对训练前的 NaN 使用列均值临时填充（仅用于标准化），避免 StandardScaler 报错；
- 标准化对齐量纲：对填充后的两列联合标准化（非分别拟合），保证回归在无偏尺度下学习线性关系；
- 构建训练集：仅保留 Score1 和 Score2 均非空的样本作为训练数据；
- 拟合与预测：用 Score1_scaled 预测 Score2_scaled，对 Score2 缺失行执行预测；
- 逆变换还原：将预测得到的标准化 Score2_scaled 值，通过同一 scaler 逆变换回原始量纲。
? 完整可运行代码
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, -4.0, np.nan, 11.0, 3.0],
'Score2': [3.2, 8.7, np.nan, np.nan, 10.0, 13.0, 8.0]
}
df = pd.DataFrame(data)
# Step 1: 均值填充（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())
# Step 2: 联合标准化（关键！使用同一 scaler 拟合两列）
scaler = StandardScaler()
df[['Score1_scaled', 'Score2_scaled']] = scaler.fit_transform(
df[['Score1_filled', 'Score2_filled']]
)
# Step 3: 提取完整观测样本用于训练
train_mask = df['Score1'].notna() & df['Score2'].notna()
train_data = df[train_mask].copy()
# Step 4: 训练线性回归模型
model = LinearRegression()
model.fit(train_data[['Score1_scaled']], train_data['Score2_scaled'])
# Step 5: 对 Score2 缺失行预测
missing_mask = df['Score2'].isna()
score1_scaled_missing = df.loc[missing_mask, 'Score1_scaled'].values.reshape(-1, 1)
predicted_score2_scaled = model.predict(score1_scaled_missing)
# Step 6: 写入预测值并逆变换还原
df.loc[missing_mask, 'Score2_scaled'] = predicted_score2_scaled
# 注意：仅对 Score2 列逆变换需构造临时数组（因 scaler.inverse_transform 要求二维输入）
temp_scaled = np.column_stack([
df['Score1_scaled'],
df['Score2_scaled']
])
df[['Score1', 'Score2']] = scaler.inverse_transform(temp_scaled)[:, [0, 1]]
print(df[['Person', 'Score1', 'Score2']].round(6))
⚠️ 关键注意事项
- 禁止分别标准化：若对 Score1 和 Score2 单独调用 fit_transform，会破坏两列间的相对关系，导致回归失效；
- 训练集必须完整：模型只能在 Score1 和 Score2 同时非空的样本上训练，否则引入偏差；
- 逆变换需谨慎：scaler.inverse_transform() 输入必须与 fit_transform() 形状一致；此处通过拼接两列再选取对应列还原，确保一致性；
- 模型可扩展：如关系非线性，可替换为 RandomForestRegressor 或添加多项式特征；
- 评估建议：在完整样本上交叉验证 R² 或 RMSE，验证插补可靠性。
该方法兼顾统计合理性与工程实用性，既尊重原始量纲差异，又充分利用变量间潜在关联，是跨尺度缺失值插补的推荐实践。
