Python缺失值处理:均值填补实战教程
本文深入解析了Python中使用SimpleImputer进行缺失值处理的关键实战要点:明确默认策略'mean'仅适用于数值列,类别列必须显式指定'most_frequent';强调fit仅限训练集以防止数据泄露,测试集必须复用同一imputer的transform;指出空字符串或'nan'等伪缺失值需提前清洗为np.nan,否则导致报错或逻辑错误;并厘清均值填补与标准化的严格先后顺序——必须先填补再标准化,且在Pipeline中务必确保预处理器执行顺序正确,避免模型评估失真和结果不可复现。

SimpleImputer 默认策略是 mean 吗?
不是。SimpleImputer 的 strategy 参数默认值是 'mean' ——但仅限于数值型列;如果数据中混有字符串或类别型列,直接用默认参数会报错 ValueError: Cannot use mean strategy with non-numeric data。这意味着你得先确认列类型,或显式指定策略。
实操建议:
- 对数值列用
strategy='mean'或'median'(后者对异常值更鲁棒) - 对类别列必须用
strategy='most_frequent',不能依赖默认值 - 若不确定列类型,先用
df.dtypes检查,再分组处理,别一股脑传整个 DataFrame 给一个SimpleImputer
fit 和 transform 为什么不能合并成一步?
因为 fit 是从训练数据中“学”出填补值(比如均值),而 transform 是用这个值去填训练/测试数据。如果在测试集上单独 fit_transform,就等于用测试集自己的均值去填补——这会造成数据泄露,模型评估会过于乐观。
常见错误现象:
- 在测试集上调用
imputer.fit_transform(X_test)→ 均值来自测试集,评估失真 - 用
pd.DataFrame.fillna(X_train.mean())手动填,但没对测试集用同一套均值 → 测试时列名顺序变化或新增列会导致错位
正确做法:只对训练集 fit,再对训练集和测试集都用同一个 transform。
SimpleImputer 处理空字符串或 'nan' 字符串怎么办?
SimpleImputer 只识别 Python 的 np.nan、None 和 pandas 的 pd.NA,不识别字符串 'nan'、'NULL' 或空字符串 ''。这些会被当作有效类别值保留,导致后续 strategy='most_frequent' 出错,或 mean 计算失败。
使用场景:从 CSV 读入时未指定 na_values,导致本该是缺失的字段变成了字符串。
解决步骤:
- 读取时加参数:
pd.read_csv(..., na_values=['', 'NULL', 'nan', 'N/A']) - 或清洗阶段统一转:
df.replace({'': np.nan, 'nan': np.nan, 'NULL': np.nan}, inplace=True) - 再检查:
df.isna().sum()确认是否真变成NaN
均值填补后还要做标准化吗?
要,而且顺序不能错。均值填补本身不改变量纲,但填补后的数据分布已含人为引入的集中趋势;如果先标准化再填补,均值就不是原始分布的均值了——StandardScaler 会把填补值也拉到均值为 0、标准差为 1,破坏填补逻辑。
正确流程:
- 先用
SimpleImputer(strategy='mean')填补缺失值 - 再用
StandardScaler().fit_transform()对填补后的训练数据拟合并转换 - 测试数据同样先
transform(不重新fit),再标准化
容易被忽略的一点:如果你用 ColumnTransformer 组合多个预处理器,务必确认 SimpleImputer 在 StandardScaler 之前执行——顺序写错会导致结果不可复现。
今天关于《Python缺失值处理:均值填补实战教程》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于的内容请关注golang学习网公众号!
Python类型别名技巧与使用指南
- 上一篇
- Python类型别名技巧与使用指南
- 下一篇
- PythonJSON数据处理实战指南
-
- 文章 · python教程 | 1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 | 1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 | 2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 | 5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 | 8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 | 9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
-
- 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
-
- 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。
- 1263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
-
- 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

