是，默认策略为'mean'，但仅适用于数值列；类别列需显式指定'most_frequent'，否则报错；fit仅用于训练集以避免数据泄漏，transform用于测试集；须先清洗字符串型缺失值为np.nan。
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：
立即学习“Python免费学习笔记（深入）”；
- 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。
