生产环境不能直接用fit_transform，因会导致训练与推理填充逻辑不一致；必须离线fit后保存，线上仅transform。
SimpleImputer 在生产环境里为什么不能直接 fit_transform？
因为 fit_transform 会用当前 batch 数据计算统计量（比如均值、众数），导致每次推理时补全逻辑不一致——训练和线上预测结果对不上。生产环境必须把 fit 和 transform 拆开，且 fit 只能发生在离线训练阶段。
实操建议：
- 训练时用
SimpleImputer(strategy="mean")调用fit(X_train)，保存 fitted 的 imputer（用pickle或joblib） - 线上服务中只调用
transform(X_inference)，绝不用fit_transform或重新fit - 若特征含新类别（如
strategy="most_frequent"时测试集出现训练未见的字符串），SimpleImputer会报ValueError: Found unknown categories—— 这说明 categorical 特征该换OneHotEncoder(handle_unknown="ignore")配合处理，而不是硬塞进SimpleImputer
数值型与分类型字段混用 SimpleImputer 的坑
SimpleImputer 默认只支持单一策略，无法对不同列用不同填充方式（比如数值列填均值、字符串列填“unknown”）。强行传入混合 dtype 的 DataFrame 会失败或静默出错。
正确做法是分列处理：
立即学习“Python免费学习笔记（深入）”；
- 用
ColumnTransformer分别定义数值列和类别列的 imputer：一个用strategy="median"，另一个用strategy="constant"并设fill_value="missing" - 避免直接对整张表调
fit；先用select_dtypes(include=["number"])和select_dtypes(include=["object", "category"])拆开 - 注意：pandas 的
object列如果混有NaN和字符串，SimpleImputer(strategy="most_frequent")可能返回float64类型的nan，而非原始字符串 —— 这是内部 dtype 推断导致的，建议显式转成string类型再送入
SimpleImputer 保存后加载失效的常见原因
用 joblib.dump(imputer, "imputer.joblib") 保存后，线上加载报 AttributeError: 'SimpleImputer' object has no attribute 'statistics_' ，基本等于没成功 fit 就保存了。
检查点：
- 确认保存前已执行
imputer.fit(X_train)，且X_train不为空、不含全 NaN 列（否则statistics_为None） - 不要在 pipeline 里嵌套未命名的
SimpleImputer后直接 dump ——ColumnTransformer中的 transformer 必须有唯一名称，否则 joblib 加载时可能跳过 fit 状态 - 跨 Python 版本或 scikit-learn 版本加载有风险；线上环境的
sklearn.__version__必须和训练时一致，否则statistics_字段结构可能变化
替代方案：比 SimpleImputer 更稳的生产选择
当数据存在强时间依赖、分布漂移或需要更细粒度控制时，SimpleImputer 的静态统计量很快失效。这时候该考虑：
- 用
sklearn.pipeline.FunctionTransformer包一层自定义函数，比如按用户 ID 分组填中位数，或按日期滑动窗口算均值 —— 控制权完全在你手上 - 对关键特征（如“用户最近一次下单时间”），宁可留空也不瞎填，后续用
isna()衍生布尔特征，比填 0 或 -1 更具业务意义 - 线上服务中，优先在数据接入层（如 Flink / Spark Streaming）做缺失处理，而不是让模型服务承担 imputation 逻辑 —— 减少 Python 层计算压力，也避免 pickle 兼容性问题
真正难的不是怎么填，而是填完之后谁来验证每列缺失率是否突增、填充值分布是否偏移。这些监控点一旦漏掉，补得再准也没用。
