Scikit-learn模型默认拒绝NaN输入，因设计要求显式处理缺失值；直接删行会破坏训练/测试一致性、损失数据且丢失业务信号，故推荐用SimpleImputer统一填充，并通过Pipeline或ColumnTransformer分类型安全应用。
Scikit-learn 的大多数模型（如 LogisticRegression、RandomForestClassifier）默认不接受含 NaN 的输入数据，直接调用 fit() 会报 ValueError: Input contains NaN。这不是 bug，而是设计使然——它要求你显式决定如何处理缺失值。
为什么不能直接丢掉含 NaN 的行？
简单用 df.dropna() 或 X[~np.isnan(X).any(axis=1)] 看似快，但实际风险很大：
- 训练集和测试集必须用同一套缺失值策略，否则部署时可能因测试样本含 NaN 而崩溃
- 丢弃样本会大幅减少有效数据量，尤其在稀疏缺失（如某列 5% 缺失，但每行只缺一两个值）时浪费严重
- 某些特征缺失有业务含义（如“未填写收入”本身是信号），直接删会丢失信息
用 SimpleImputer 做统一填充（最常用）
SimpleImputer 是 scikit-learn 官方推荐的缺失值填充工具，关键在于它能作为 Pipeline 的一环，保证训练/预测流程一致：
from sklearn.impute import SimpleImputer
from sklearn.ensemble import RandomForestClassifier
from sklearn.pipeline import Pipeline
<p>imputer = SimpleImputer(strategy='median') # 数值型用 median；'mean' 易受异常值影响</p><p><span>立即学习</span>“<a href="https://pan.quark.cn/s/00968c3c2c15" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">Python免费学习笔记（深入）</a>”；</p><div class="aritcle_card flexRow">
<div class="artcardd flexRow">
<a class="aritcle_card_img" href="/xiazai/skill7657" title="python 查询技能"><img
src="https://img.php.cn/upload/skill/000/000/081/179161384046229.jpg" alt="python 查询技能" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a href="/xiazai/skill7657" title="python 查询技能">python 查询技能</a>
<p>查询客流数据，输出JSON格式，可直接导入Bitable等可视化工具</p>
</div>
<a href="/xiazai/skill7657" title="python 查询技能" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
</div>
</div><h1>strategy='most_frequent' 适合类别型；'constant' 可填指定值如 'missing'</h1><p>pipeline = Pipeline([
('impute', imputer),
('clf', RandomForestClassifier())
])</p><p>pipeline.fit(X_train, y_train) # 自动对 X_train 填充后训练
pipeline.predict(X_test) # 对 X_test 用相同规则填充后预测注意：SimpleImputer 在 fit() 时只从 X_train 学习统计量（如中位数），transform() 时才真正填充 —— 这是它能安全用于测试集的前提。
数值型 vs 类别型特征要分开处理
混用策略会导致错误或语义混乱：
- 对字符串型列（如
'gender'）用strategy='median'会报TypeError - 对数值型列用
strategy='most_frequent'可能掩盖分布偏态
正确做法是用 ColumnTransformer 分列处理：
from sklearn.compose import ColumnTransformer
<p>num_cols = ['age', 'income']
cat_cols = ['gender', 'education']</p><p>preprocessor = ColumnTransformer(
transformers=[
('num', SimpleImputer(strategy='median'), num_cols),
('cat', SimpleImputer(strategy='most_frequent'), cat_cols)
],
remainder='passthrough' # 其他列不处理
)</p><p>pipeline = Pipeline([
('prep', preprocessor),
('clf', LogisticRegression())
])警惕 StandardScaler 和 Imputer 的顺序
如果先缩放再填充，StandardScaler 会因 NaN 报错；如果先填充再缩放，填充值（如中位数）会被纳入标准化计算 —— 这没问题，但要注意：
- 不要把
SimpleImputer放在StandardScaler后面：前者需要原始尺度计算中位数/众数 - 若用
strategy='constant'填-999，后续缩放会让这个人工值被拉到极端位置，干扰模型 - 类别型特征通常不缩放，所以
ColumnTransformer中只对数值列接StandardScaler
真实项目里，缺失值处理不是“填完就完事”，它和特征类型、模型敏感度、业务逻辑强耦合。比如时间序列中的缺失，用前后均值填充可能比全局中位数更合理；而树模型对缺失值其实有原生支持（XGBoost/LightGBM），这时硬上 SimpleImputer 反而降低可解释性。
