💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～💖

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

---

使用 Scikit-learn 处理缺失值并提取填充统计信息的完整指南

在机器学习项目中，数据清洗是不可或缺的步骤，而处理缺失值更是其中的重点之一。Scikit-learn 作为一个强大的机器学习库，不仅提供了便捷的缺失值填充方法，还允许我们提取关键的填充统计信息，用于分析、可视化或模型解释。

本文将详细介绍几种常见的缺失值填充方法，并说明如何在填充过程中获取有价值的统计信息。

---

📌 示例数据

我们使用一个包含缺失值的简单二维数组作为示例数据：

import numpy as np

X = np.array([
    [1, 2, np.nan],
    [3, np.nan, 4],
    [5, 6, np.nan]
])

---

方法一：使用 SimpleImputer 获取填充统计值

SimpleImputer 是 Scikit-learn 提供的基础填充工具，支持多种策略：mean（均值）、median（中位数）、most_frequent（众数）、constant（常数）。

from sklearn.impute import SimpleIm