SimpleImputer必须先fit再transform，因其填充策略（如均值、众数）依赖训练数据统计量；fit计算每列填充值，transform应用该值，跳过fit会触发NotFittedError。
Scikit-learn 不会自动处理缺失值，SimpleImputer 是唯一内置的、推荐用于预处理阶段的填充工具——但它不能直接用在 fit() 之前含 NaN 的数据上，否则会报错。
为什么 SimpleImputer 必须先 fit() 再 transform()
因为填充策略（如均值、众数）依赖训练数据的统计量。fit() 阶段计算每列的填充值（例如 mean 列的均值），transform() 才用这些值替换 NaN。跳过 fit() 直接 transform() 会触发 NotFittedError。
- 对训练集：必须调用
imputer.fit(X_train)→imputer.transform(X_train) - 对测试集：只能调用
imputer.transform(X_test)（复用训练集算出的填充值） - 如果用
fit_transform(X_train)，等价于先fit再transform，更简洁
strategy 参数选哪个？看数据类型和分布
strategy 决定每列用什么值填，不是所有策略都适用于所有列：
-
"mean"：仅适用于数值型列；若列含异常值，均值会被拉偏，此时改用"median" -
"median"：对离群值鲁棒，适合偏态数值分布 -
"most_frequent"：适用于分类变量（字符串或整数标签），填出现最多的类别 -
"constant"：需配合fill_value参数，比如填"missing"或-999，便于后续模型识别“人工缺失”
错误示例：SimpleImputer(strategy="mean") 作用于含字符串的列，会抛出 ValueError: Cannot use mean strategy with non-numeric data。
立即学习“Python免费学习笔记（深入）”；
如何安全地对混合类型 DataFrame 使用 SimpleImputer
SimpleImputer 默认只处理数值列（object 类型被跳过），但 pandas DataFrame 混合类型很常见。正确做法是分列处理：
- 用
select_dtypes(include=[np.number])提取数值列，单独用strategy="mean"填充 - 用
select_dtypes(include=["object"])提取类别列，单独用strategy="most_frequent"填充 - 最后用
pd.concat()合并结果（注意保持原始列序和索引） - 不要把整个 DataFrame 直接喂给
SimpleImputer，否则非数值列会被静默丢弃或报错
小技巧：如果只想填某几列，传入二维数组切片，例如 X_train[["age", "income"]]，避免影响其他列。
Pipeline 中用 SimpleImputer 时的典型陷阱
放进 sklearn.pipeline.Pipeline 很方便，但容易忽略两个关键点：
- 如果 Pipeline 第一步是
SimpleImputer，它内部仍按列独立拟合——所以确保传入的是二维结构（shape = (n_samples, n_features)），一维数组（如X_train[:, 0]）会报ValueError: Expected 2D array -
SimpleImputer对稀疏矩阵支持有限：strategy="most_frequent"不支持稀疏输入；"mean"/"median"虽支持，但会转成稠密，可能爆内存 - 用
ColumnTransformer分别处理数值/类别列时，每个SimpleImputer实例必须独立定义，不能共用同一个对象实例
最常被忽略的是：SimpleImputer 的 missing_values 参数默认是 np.nan，如果你的数据用 None、空字符串或特殊码（如 -999）表示缺失，必须显式设置，否则这些值不会被识别为缺失项。
