iterativeimputer默认不work，因其用bayesianridge易受离群值/长尾/零值影响致均值坍缩，且skip_complete=false造成冗余计算；需改用decisiontreeregressor/classifier、设skip_complete=true、max_iter=3–5，并严格预处理数值型输入。
多重插补不是“填得更准”，而是“承认不确定性”——直接用 IterativeImputer 填完就跑，大概率会把模型带偏。
为什么 IterativeImputer 默认不 work？
它默认用 BayesianRidge 作为每个变量的回归器，但这个选择在多数业务数据里是错的：当某列有强离群值、长尾分布或大量零值时，BayesianRidge 预测会严重收缩，导致填充值集体向均值坍缩。更隐蔽的问题是，它默认 skip_complete=False，即对“已完整”的列也强制走一遍建模流程——纯属浪费时间，还可能因随机初始化引入微小扰动。
- 必须显式指定
estimator：数值型列优先试DecisionTreeRegressor（抗异常值）、分类列用DecisionTreeClassifier - 务必设
skip_complete=True，跳过无缺失列，避免冗余计算和不可复现的随机性 - 别信默认的
max_iter=10：实际中 3–5 次迭代足够，再多只是拟合噪声，且耗时陡增
IterativeImputer 对输入数据有硬要求
它只吃 numpy.ndarray 或 pandas.DataFrame 的数值型矩阵，遇到字符串、类别型字段、时间戳、空字符串 '' 或 'NA' 会直接报 ValueError: Input contains NaN, infinity or a value too large for dtype('float64') ——注意，这个错误信息根本没提“你传了非数值列”，容易误判。
- 先用
df.select_dtypes(include=['number'])筛出纯数值列，别图省事丢整个df - 字符串型缺失（如
'missing'、'NULL'）必须提前转成np.nan，否则isnull()判定失败，IterativeImputer会当成有效值参与建模 - 日期列别硬塞进去：拆成
year、month、dayofweek等数值特征再进，原生datetime64不支持
如何验证插补结果没“编数据”？
填完就 train model 是最危险的操作。多重插补的核心价值在于生成多个略有差异的填充版本，用来评估缺失机制是否影响推断稳定性。单次插补输出一个 DataFrame，本质仍是确定性填充，和均值填充只有“技术包装”之别。
- 用
miceforest替代：它原生支持多套插补集（impute_new_data()可导出 5–10 个版本），适合后续做敏感性分析 - 至少做两轮对比：用插补后数据跑一次模型，再用
dropna()后数据跑一次，看关键系数/特征重要性是否方向一致；若income特征在插补版里重要性飙升但在删失版里几乎为 0，说明插补过程已扭曲变量关系 - 检查填充值分布：对某列执行
imputed_df['col'].describe()和原始非空子集df.dropna(subset=['col'])['col'].describe()对比，若标准差扩大 2 倍以上，大概率过拟合了
真正难的不是调通 IterativeImputer，而是判断“这一列到底该不该插”。比如用户行为日志里的 session_duration 缺失，如果缺失集中在凌晨 3 点，那很可能代表“用户断连”，此时填数字不如新增一列 is_session_timeout 更反映真实机制。
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！
