knnimputer通过寻找相似样本填补缺失值，避免均值填充的不合理性；默认用标准化后的欧氏距离，要求特征数值化且缩放；n_neighbors影响鲁棒性，需据数据分布调整；必须先fit训练集再transform，不可单独处理测试集。
KNNImputer 不是“更高级”，而是更贴近数据内在结构——它不假设所有样本都该服从同一个均值分布，而是承认：相似的样本，其缺失特征也大概率相似。
这直接回应了均值填充最根本的问题：把一个身高175cm、体重82kg、血压130/85的人，和一个身高152cm、体重46kg、血压110/70的人，用同一个“平均血压”去填，显然不合理。KNNImputer 会先挑出几个“身材血压都接近”的邻居，再用他们的血压均值去填，逻辑闭环更紧。
为什么 KNNImputer 默认用欧氏距离？
因为 scikit-learn 的 KNNImputer 只支持数值型特征，且内部对每列做了独立标准化（即减均值除标准差），再算欧氏距离。这意味着：
- 它隐式假设所有特征量纲可比——如果你混入未缩放的收入（万元）和二值性别（0/1），收入项会主导距离计算，导致邻居选偏
- 它不处理分类变量：遇到
object或category列会直接报错ValueError: Non-numeric data not supported - 缺失值本身不参与距离计算：对某样本第 j 列缺失，计算它与其他样本的距离时，自动跳过第 j 列，只用其余非缺失列
所以别急着扔进原始 DataFrame；先做 pd.get_dummies() 或 OrdinalEncoder 编码分类变量，再用 StandardScaler 统一缩放——否则 n_neighbors=5 找出来的“最近邻”，可能只是因为某列数值大而已。
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
n_neighbors 设太小或太大分别踩什么坑？
这个参数不是调参玄学，而是直接影响填补的鲁棒性：
-
n_neighbors=1：填充值完全来自单个最相似样本。好处是响应快、保留极端值；坏处是一旦那个邻居本身有噪声或异常，缺失值就被“污染”了 -
n_neighbors=5（默认）：平衡常见选择，但若数据稀疏（比如高维稀疏特征），5个邻居可能已跨过真实聚类边界 -
n_neighbors=20：在小数据集上容易引入无关样本，填充值趋向全局均值，退化成“带距离加权的均值填充”
实操建议：先用 NearestNeighbors(n_neighbors=20).fit(X_clean) 查看第5和第20近邻的距离差。如果两者距离相差不到10%，说明数据分布平滑，n_neighbors 可适当放大；如果第2近邻距离已是第1的3倍，那 n_neighbors=1 或 2 更稳。
为什么 fit_transform() 不能分训练/测试集单独调用？
KNNImputer 的 fit 阶段本质是在构建整个训练集的邻居索引结构（底层调用 NearestNeighbors）。一旦你对测试集单独调用 fit_transform()，就等于让模型“假装没见过训练数据”，用测试样本自己找邻居——这既泄露了测试集信息，又破坏了填补的一致性。
- 正确做法：只对训练集
imputer.fit(X_train)，再用同一 imputer 对训练集和测试集分别transform() - 注意：如果训练集里某列全缺失，
fit()会报错ValueError: Column has no observed values；必须提前检查并剔除这类列 - 时间序列或分组数据（如用户ID+时间戳）不能直接用
KNNImputer——它不感知顺序或分组，会跨用户找邻居，结果毫无业务意义
真正难的从来不是调 n_neighbors，而是判断“哪些维度上的相似才算数”。比如医疗数据中，年龄和病史的相似权重，不该和血型一样；而 KNNImputer 没法设特征权重——这时候就得换 sklearn.neighbors.NearestNeighbors 手动构造 Gower 距离，或者上 iterativeImputer 配回归模型。
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！
