KNNImputer更合理因其基于局部相似性填补：用k近邻对应特征的加权平均/众数填充，而非全局均值/众数；适用于分布偏斜或多簇数据，但需满足三前提——缺失值为np.nan/None、数据为二维数值型、类别变量须先OneHot编码。
为什么KNNImputer比均值/众数填充更合理
因为KNNImputer不是用全局统计量“拍脑袋”填，而是找缺失样本最近的k个邻居，用它们对应特征的加权平均（或众数）来补。尤其适合特征间存在局部相似性、但整体分布偏斜或有多个簇的数据——比如用户行为日志里，活跃用户和沉默用户的点击模式差异大，用全局均值填反而扭曲真实结构。
注意：它默认对每列单独做标准化（Z-score），所以数值型特征可直接用；但类别型特征必须先OneHotEncoder，否则欧氏距离无意义。
KNNImputer必须预处理的三个前提
- 缺失值只能是
np.nan或None，不能是字符串"missing"或整数-999，否则会报ValueError: Input contains NaN, infinity or a value too large for dtype('float64') - 数据必须是二维数组或DataFrame，不能有嵌套结构或list类型列；若有，先用
pandas.json_normalize或pd.get_dummies展开 - 所有参与计算的列必须是数值型（
float64或int64）。若混有object列，调用fit_transform时会直接报错TypeError: A sparse matrix was passed, but dense data is required（实际原因常是object列导致内部转稀疏失败）
fit_transform时常见报错及修复方式
最典型的是MemoryError或LinAlgError: Singular matrix：
-
MemoryError：KNNImputer默认用全连接距离矩阵，n=10万样本时内存占用超20GB。解决方法是设n_neighbors=3（别盲目调大）、用algorithm="ball_tree"、或先用StandardScaler降维（如PCA保留95%方差） -
LinAlgError：某列全为相同值（方差为0），标准化后变成全nan。检查并移除该列，或用np.where(df[col].std() == 0, df[col].iloc[0], df[col])跳过标准化 - 若训练集无缺失、测试集有缺失，必须用训练集
fit后的实例去transform测试集，不能分别fit_transform，否则引入数据泄露
如何正确处理混合类型数据
不能直接把字符列喂给KNNImputer。标准流程是：
- 分离数值列（
df.select_dtypes(include=[np.number])）和类别列（df.select_dtypes(include=['object'])） - 对类别列用
OneHotEncoder(drop='first', sparse_output=False)转成数值，再和原数值列np.hstack拼接 - 用拼接后的数组进KNNImputer，填完再用
inverse_transform（需保存encoder）还原类别列 - 注意：OneHot后高基数类别列（如用户ID）会爆炸出上万列，必须先
pd.Categorical(...).codes编码或用TargetEncoder降维
真正难的不是调用KNNImputer().fit_transform()这一行，而是前面数据清洗是否抹掉了局部结构、后面还原时有没有混淆one-hot列顺序——这些地方一错，填补结果就全偏了。
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！
