KNNImputer需输入纯数值型矩阵且NaN为np.nan，必须标准化后直接fit_transform，不可预填充；n_neighbors宜从5起步，避免高维稀疏或连续多列缺失导致协方差病态。
sklearn.impute.KNNImputer 怎么用才不报错
直接上手 KNNImputer 时最容易卡在数据类型和缺失值格式上。它只接受数值型矩阵，NaN 必须是浮点型（比如 float64），不能是字符串 "NaN" 或 None，也不能混着 categorical 列一起传进去。
- 先用
df.select_dtypes(include=[np.number])提取纯数值列，丢掉object类型的字段 - 确保
NaN是真正的np.nan：运行df.isna().sum()看输出是否合理；如果全是 0，说明空值可能存成了空字符串或"NULL"，得先df.replace({"": np.nan, "NULL": np.nan}) -
KNNImputer默认用欧氏距离，所以务必做标准化——否则量纲大的列（如收入）会完全主导距离计算，补出来的值偏移严重
为什么 fillna() 后再 fit_transform 会出错
调用 fit_transform 前手动用 fillna(0) 或 fillna(df.mean()) 预填充，会导致 KNNImputer 内部距离计算失真，甚至抛出 ValueError: Input contains NaN —— 因为它内部会检查输入是否含 NaN，而你填了 0 之后，原始 NaN 虽然没了，但逻辑上“该位置本应被预测”，人为塞进的 0 反而污染了邻域样本。
- 必须保持原始
NaN不动，直接把含NaN的数值矩阵喂给KNNImputer - 不要对整列提前均值/中位数填充；如果某列缺失率 >80%，
KNNImputer效果本身就很差，不如直接删列或换模型 - 注意
fit_transform只能用于训练集；对测试集要用transform，否则造成数据泄露
参数 n_neighbors 设太小或太大都容易翻车
n_neighbors 不是越大越好，也不是越小越准。它控制每个缺失值参考几个最近邻居来加权平均，选错直接影响补全质量与稳定性。
- 设成 1：极易受异常值影响，一个离群样本就能拉偏整个补全值
- 设成 20+：在高维稀疏数据里，“最近”可能已经失去意义（维度灾难），补出来的值趋向全局均值，失去局部结构
- 推荐从
5开始试，配合交叉验证看下游模型效果；如果特征数 >20，建议先降维（比如 PCA）再用KNNImputer - 内存敏感场景下，
n_neighbors过大会显著拖慢速度，因为要算全样本两两距离
补完后发现某些行标准差暴增
这是 KNN 补全最隐蔽的问题：它对稀疏缺失（比如一行只缺 1 个值）很稳，但对连续多列缺失（比如某用户年龄、收入、教育程度全为空），补出来的值往往彼此强相关，导致协方差矩阵病态，后续做主成分或回归时系数震荡。
立即学习“Python免费学习笔记（深入）”；
- 检查每行缺失数量：
(df.isna().sum(axis=1) > 3).sum()，如果超过 5%，建议把这些行单独标记或剔除 - 避免在时间序列或分组 ID 明确的数据上跨组 KNN（比如不同用户的记录混在一起算邻居），应先
groupby再分别补全 - 补完后跑一次
df.corr().abs().max().max()，如果接近 1，说明某些变量被同步扭曲，得回溯检查是否漏做了标准化或混入了 ID 类伪数值列
