TensorFlow不提供内置缺失值填充接口，因张量不支持NaN，需用Pandas预处理或tf.where配合tf.math.is_nan手动填充；推荐Pandas fillna后转tf.data.Dataset。
TensorFlow 本身不提供类似 Pandas 的 fillna() 或 Scikit-learn 的 SimpleImputer 那样的缺失值填充接口；你得自己构造填充逻辑，或借助 NumPy / Pandas 预处理，再喂给 TensorFlow。
为什么不能直接用 tf.where 或 tf.nn.embedding_lookup 填缺失值？
TensorFlow 的张量（tf.Tensor）默认不支持 NaN 或 None 作为有效元素——一旦输入含 NaN，多数运算（如 tf.reduce_mean、tf.keras.layers.Dense）会静默返回 NaN，训练梯度爆炸或失效。而 tf.where 可以做条件替换，但前提是：你得先能可靠检测缺失（比如 tf.math.is_nan），且填充值类型/形状必须严格匹配。
-
tf.math.is_nan只对浮点张量有效，对整型或字符串张量会报错 - 填充常量（如
0.0）若与原始 dtype 不一致（例如原为tf.int32），需显式tf.cast - 动态 shape 下（如 batch 维度未知），
tf.where的 broadcast 行为容易出错
推荐做法：用 Pandas 预填充 + tf.data.Dataset.from_tensor_slices
这是最稳定、可复现、易调试的路径。TensorFlow 擅长计算，不擅长数据清洗；把脏活交给 Pandas 更安全。
- 读取数据后，用
pandas.DataFrame.fillna按列指定策略（均值、众数、前向填充等） - 确保所有列转为数值型（
df.astype(np.float32)），避免tf.data自动推断出object类型 - 转成
np.ndarray后，传给tf.data.Dataset.from_tensor_slices，此时无NaN风险
示例：
立即学习“Python免费学习笔记（深入）”；
import pandas as pd
import numpy as np
import tensorflow as tf
<p>df = pd.read_csv("data.csv")</p><h1>对数值列填均值，类别列填众数</h1><p>df["age"] = df["age"].fillna(df["age"].mean())
df["city"] = df["city"].fillna(df["city"].mode()[0])</p><h1>转 float32，便于后续 tf 计算</h1><p>features = df[["age", "income"]].astype(np.float32).values
dataset = tf.data.Dataset.from_tensor_slices(features)如果必须在图内动态填充（如流式数据或 Serving 场景）
只能用 tf.cond + tf.math.is_nan 手写逻辑，且仅限浮点输入。不要尝试对整个 batch 做“全局均值”填充——图模式下无法跨样本聚合统计量。
- 可行方案是：预定义填充常量（如
-1.0），或用该 batch 内非NaN元素的均值（用tf.boolean_mask提取） - 注意
tf.math.is_nan在 Eager 模式下可用，在 Graph 模式（@tf.function）中也兼容，但性能略低 - 别用
np.nan初始化tf.Variable——它会被转成0.0，丢失缺失语义
简单 batch 内均值填充示意：
@tf.function
def fill_nans_in_batch(x):
mask = tf.math.logical_not(tf.math.is_nan(x))
valid_vals = tf.boolean_mask(x, mask)
batch_mean = tf.reduce_mean(valid_vals) if tf.size(valid_vals) > 0 else 0.0
return tf.where(tf.math.is_nan(x), tf.fill(tf.shape(x), batch_mean), x)真正麻烦的不是怎么填，而是「哪些列该填什么」——类别特征填众数、时间序列填前向值、嵌入 ID 填特殊 token（如 [UNK]），这些业务逻辑没法靠通用函数自动判断。别指望 TensorFlow 替你做领域决策。
