Sklearn 机器学习 缺失值处理 填充数据列的缺失值

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～💖

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

💡使用 Scikit-learn 处理数据缺失值的完整指南

在机器学习项目中，数据缺失是不可避免的问题。如果处理不当，不仅会影响模型的性能，还可能导致无法训练或评估模型。幸运的是，Scikit-learn 提供了多种处理缺失值的方法，可以根据实际需求选择合适的策略。

本文将带你全面了解如何使用 Scikit-learn 的各类 Imputer 工具进行缺失值填充，并结合实际代码演示常见用法。

📌一、使用 SimpleImputer 进行基础填充

SimpleImputer 是 Scikit-learn 中最常用的填充类，适用于数值或分类数据的基本填充。

from sklearn.impute import SimpleImputer
import numpy as np# 构造含缺失值的数据（NaN）
X = np.array(