IterativeImputer不能自动处理异常值，需先用LocalOutlierFactor等标记并转为NaN；默认BayesianRidge线性假设常不成立，建议换DecisionTreeRegressor；非多重插补，需手动扰动random_state模拟；插补后须检查NaN残留、dtype一致性和预处理链路完整性。
IterativeImputer 不能直接处理异常值，先得识别并标记
很多人以为 IterativeImputer 能“自动跳过”或“智能忽略”异常值，其实它不会——它把所有非 NaN 值都当有效数据参与建模。如果你把极端离群点（比如年龄填了 999、收入为 -1）一起喂进去，插补结果会严重偏移。
所以必须前置异常值检测环节，常见做法是：用 IsolationForest 或 LocalOutlierFactor 打标签，再把异常位置设为 np.nan，最后才进 IterativeImputer。
- 别用
StandardScaler后直接设阈值（如 ±3σ），容易误伤有偏分布的特征（如收入、点击量） - 对每列单独跑
LocalOutlierFactor(n_neighbors=20, contamination=0.05)更稳妥，尤其适合小样本 - 标记后用
df.loc[outlier_mask, col] = np.nan替换，不是删除整行
IterativeImputer 默认用贝叶斯岭回归，但线性假设常不成立
IterativeImputer 底层默认用 BayesianRidge 做每个特征的回归器，但它假设变量间存在近似线性关系。实际中，类别型混合数值型、存在强交互（如“是否VIP × 消费频次”影响客单价）时，插补偏差明显。
解决办法是显式替换为更鲁棒的估计器：
立即学习“Python免费学习笔记（深入）”；
- 用
DecisionTreeRegressor(max_depth=5, random_state=42)处理非线性关系，对异常值标记后的数据更稳定 - 若含高基数类别特征，先用
OneHotEncoder(drop='first')编码，再传给IterativeImputer，否则树模型会报错 - 设置
skip_complete=True（默认 False），避免对已完整列重复拟合，提速且减少噪声干扰
多重插补需运行多次，但 sklearn 的 IterativeImputer 只做单次
严格意义上的多重插补（MI）要求生成 ≥3 套独立插补结果，用于后续分析不确定性。而 IterativeImputer 是确定性算法——同一输入、同一随机种子，永远输出相同结果。
想逼近 MI 效果，只能手动扰动：
- 每次调用前重设
random_state（如random_state=np.random.randint(0, 1000)），循环 5 次得 5 个不同结果 - 注意：
DecisionTreeRegressor的random_state必须同步改，否则树结构不变，插补结果仍高度相似 - 不要用
fit_transform在训练集上反复拟合——应先fit一次，再对每轮用transform，保证模型一致
混入缺失值后 pipeline 易崩，务必检查 dtype 和 NaN 传播
用 IterativeImputer 插补后，常遇到下游模型报错：比如 XGBoost 拒绝 float64 列里有 np.nan，或 Pipeline 中 StandardScaler 因某列全 NaN 报 ValueError: Input contains NaN。
关键检查点：
- 插补后立刻执行
df.isna().sum()，确认无残留NaN；若有，说明该列全缺失或被跳过（skip_complete=False且列全空时会保留原状） - 数值列可能被转成
object类型（尤其混了字符串后），用pd.to_numeric(df[col], errors='coerce')强制清洗 - 如果原始数据含
Int64（nullable int），插补后变成float64，下游分类器可能报类型不匹配，需手动转回Int64并填<na></na>
多重插补真正麻烦的从来不是调包，而是每轮结果都要走通整个预处理链路——dtype 断层、NaN 残留、特征顺序偏移，这些细节一漏，后面模型指标就不可信。
