HistGradientBoostingClassifier/Regressor原生支持np.nan缺失值，无需填充或删除；分裂时将缺失样本导向增益更大的子节点，训练与预测均兼容NaN，但要求dtype稳定且仅识别np.nan（数值列）和None（object列），不支持pd.NA。
HistGradientBoostingClassifier/Regressor 默认就支持缺失值
不需要额外填充或删除，HistGradientBoostingClassifier 和 HistGradientBoostingRegressor 在 Python 3.11（及 0.21+ 版本的 scikit-learn）中，原生支持 np.nan 作为缺失值标识——底层使用“分裂时将缺失样本导向增益更大的子节点”策略，和 LightGBM 类似。
常见错误现象：有人手动用 SimpleImputer 填充缺失值，反而引入偏差；或误以为必须转成 pd.NA，其实只认 np.nan（数值列）和 None（object 列，但不推荐混用）。
- 确保缺失值是
np.nan：对 float 列直接用df[col].replace("", np.nan).astype(float)；整数列需先转为pd.Int64Dtype()或 float，否则无法存np.nan - 不要用
dropna()预处理——模型内部已处理，删了反而损失信息、影响泛化 - 如果传入
pd.NA（nullable integer/string），会报ValueError: Input X contains NaN，因为 HistGradientBoosting 不识别它
fit 时传入含 NaN 的数组不会报错，但要注意 dtype
scikit-learn 要求输入 X 是 numeric 且 dtype 稳定。若某列是 object 类型但含 None 或字符串混合数字，fit() 会静默失败或报 TypeError: A given column is not numeric。
- 数值型缺失：统一用
float64，并确保是np.nan（可用pd.to_numeric(df[col], errors="coerce")） - 类别型缺失：HistGradientBoosting 不支持直接处理 string 类别，需先用
OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=-1)编码，再把缺失映射为 -1；但注意：-1 会被当作真实类别，不是“缺失标记”，所以更稳妥的是先 fillna("missing") 再编码 - 验证方式：调用
model.fit(X, y)后检查model.n_features_in_是否等于预期列数，若变少说明某列被跳过（常因 dtype 不兼容）
predict/predict_proba 对含 NaN 的新样本也完全兼容
训练时见过缺失模式，推理时遇到同样结构的 np.nan，模型能照常预测——不需要在 predict 前做任何 imputation。
立即学习“Python免费学习笔记（深入）”；
- 测试方法：构造一行含
np.nan的np.array（dtype=float64），传给model.predict()，不会报错 - 性能影响极小：缺失值处理逻辑已编译进 Cython，与无缺失场景相比耗时差异通常
- 注意边界：如果新数据中某列全为
np.nan，可能触发RuntimeWarning: All values are missing，虽不中断执行，但该特征在树分裂中无贡献，建议提前筛查全空列
和 SimpleImputer + StandardScaler 混搭会破坏缺失语义
有人习惯 pipeline 里加 SimpleImputer(strategy="median")，再喂给 HistGradientBoosting——这等于主动抹掉模型自带的缺失感知能力，还可能让中位数受异常值干扰，效果反而下降。
- 唯一合理用 imputer 的场景：你明确想对比“忽略缺失” vs “利用缺失”的业务效果，此时才需人工干预作为对照组
- StandardScaler 对缺失值无意义：缩放前会报错，必须先 impute 才能 scaler，但 HistGradientBoosting 本身对特征尺度不敏感，根本不需要 scaler
- 替代方案：若想增强鲁棒性，改用
max_iter=100或调小learning_rate，比预处理缺失值更有效
真正容易被忽略的是：缺失值分布偏移。训练集缺失集中在某几列，而线上某列突然大量缺失，模型可能退化——得监控各列 np.isnan(X).mean(axis=0) 的变化，而不是只盯着准确率。
