Python数据预处理:标准化与缺失值处理方法
2026-04-20 14:52:01
0浏览
收藏
本文深入解析了Python数据预处理中两大关键操作——标准化与缺失值填充的正确实践:强调StandardScaler必须先在训练集上fit再对测试集和新样本统一transform,避免因直接对测试集fit_transform而导致的数据泄露;同时指出SimpleImputer的strategy选择需依据特征分布特性——偏态或含异常值时首选"median"以保障鲁棒性,近似正态且缺失较少时可选用"mean"提升效率,帮助读者避开常见陷阱,构建更可信、可复现的机器学习流水线。

scikit-learn里StandardScaler为什么不能直接用fit_transform处理测试集?
因为会泄露测试集统计信息,破坏模型评估的可信度。训练集和测试集必须用同一套均值和标准差做标准化。
- 正确做法:先对训练集调用
fit_transform,再对测试集只用transform - 错误写法:
StandardScaler().fit_transform(X_test)——这会让模型“偷看”测试数据的分布 - 如果后续有新样本(比如线上预测),也必须复用训练时保存的
scaler对象,不能重新fit
缺失值填SimpleImputer时,strategy选"mean"还是"median"?
取决于特征分布是否受异常值干扰。均值对离群点敏感,中位数更鲁棒,但计算稍慢一点。
- 数值型特征偏态明显或含异常值 → 优先
strategy="median" - 特征近似正态、缺失比例低("mean"通常够用
"most_frequent"适合类别型变量,但注意它不处理NaN以外的空值(如空字符串)- 别忘了:
SimpleImputer默认只处理np.nan,遇到None或字符串"missing"得先统一转成np.nan
标准化和缺失填充的顺序能调换吗?
不能颠倒。必须先填缺失值,再标准化。
StandardScaler遇到NaN会直接报错:ValueError: Input contains NaN- 反过来,如果先标准化再填空,相当于用含
NaN的数据算均值/方差,结果不可靠 - Pipeline里推荐按顺序组合:
make_pipeline(SimpleImputer(), StandardScaler()),避免手滑出错
用Pipeline串起来后,怎么检查中间步骤是否生效?
别依赖肉眼观察,用named_steps抽出来单独验证。
- 训练完pipeline后,可以取出来看填充结果:
pipe.named_steps["simpleimputer"].transform(X_train) - 标准化参数也能查:
pipe.named_steps["standardscaler"].mean_和scale_ - 注意:
transform返回的是numpy.ndarray,不是DataFrame,列名会丢失——如果需要保留列名,得自己封装或改用ColumnTransformer
最常被忽略的一点:所有预处理步骤都该在fit阶段锁定参数,之后无论多少次transform,都不能再变动。一旦在测试阶段重新fit,就等于把整个流程搞回去了。
以上就是本文的全部内容了,是否有顺利帮助你解决问题?若是能给你带来学习上的帮助,请大家多多支持golang学习网!更多关于文章的相关知识,也可关注golang学习网公众号。
任推邦推广链接带参数吗?如何添加追踪参数
- 上一篇
- 任推邦推广链接带参数吗?如何添加追踪参数
- 下一篇
- PHP集成支付接口,支付宝微信支付教程
查看更多
最新文章
-
- 文章 · python教程 | 2小时前 | python · Python 十六进制 二进制调试 memoryview.hex bytes_per_sep
- Python memoryview.hex 怎样为十六进制输出设置分组分隔符
- 480浏览 收藏
-
- 文章 · python教程 | 2小时前 | python · Python decimal context same_quantum
- Python decimal.Context.same_quantum 怎样判断两个十进制数的指数是否相同
- 336浏览 收藏
-
- 文章 · python教程 | 3小时前 |
- Python textwrap.TextWrapper.drop_whitespace 怎样控制换行边缘的空白保留
- 238浏览 收藏
-
- 文章 · python教程 | 5小时前 | python · 文件系统 · Python 文件比较 mtime filecmp.clear_cache filecmp.cmp 比较缓存
- Python filecmp.clear_cache 怎样清除文件比较结果缓存
- 290浏览 收藏
-
- 文章 · python教程 | 6小时前 | 标准库 · 递归 · python · Python 解释器 递归限制 sys.getrecursionlimit
- Python sys.getrecursionlimit 怎样读取解释器设置的递归深度上限
- 129浏览 收藏
-
- 文章 · python教程 | 7小时前 | Python教程 · Python memoryview memoryview.toreadonly bytearray 只读视图 缓冲区协议
- Python memoryview.toreadonly 怎样生成只读视图而不复制底层数据
- 470浏览 收藏
-
- 文章 · python教程 | 8小时前 | 标准库 · Python教程 · Python decimal flags 精度 舍入 Context.copy_abs Decimal.copy_abs
- Python decimal.Context.copy_abs 怎样取绝对值而不受当前精度舍入影响
- 389浏览 收藏
-
- 文章 · python教程 | 9小时前 | 字符串 · 标准库 · Python教程 · Python placeholder 文本截断 textwrap TextWrapper max_lines
- Python textwrap.TextWrapper.placeholder 怎样为截断后的段落设置结束标记
- 301浏览 收藏
-
- 文章 · python教程 | 10小时前 | python · Python 参数绑定 inspect BoundArguments apply_defaults
- Python inspect.BoundArguments.apply_defaults 怎样给已绑定参数补上默认值
- 411浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
查看更多
AI推荐
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1099次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1094次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1265次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1204次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1050次使用
查看更多
相关文章
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

