Sklearn 机器学习 缺失值处理 检测数据每列的缺失值

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在代码与灵感交织的数字世界里和大家相遇～💖

✨ 在这个技术浪潮奔涌的时代，我们既是探索者，也是分享者。我始终相信，每一行代码都是通往创新的钥匙，而分享则能让这把钥匙照亮更多人的路。无论你是初入编程世界的萌新，还是深耕行业多年的老司机，这里永远为热爱技术的你留一扇门。愿我们以博客为舟，在技术的海洋里结伴远航，解锁更多 2048 式的 “数字成就”！

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 和 Pandas 检测与处理缺失值的完整指南

在机器学习项目中，数据缺失是非常常见的问题之一。合理地检测和处理缺失值，是确保模型质量的重要前提。虽然 Scikit-learn 是一个强大的机器学习工具包，但它本身并不包含缺失值检测的功能，我们通常会结合 Pandas 和 NumPy 来完成这一任务。

本文将分为以下几个部分进行讲解：

• 使用 Pandas 检测每列缺失值
• 使用 NumPy 检测矩阵中的缺失值
• 使用 Scikit-learn 进行缺失值填充
• 可视化缺失数据
• 删除缺失值过多的列
• 使用高级填充方法（如多重插补）

一、使用 Pandas 检测每列缺失值（推荐）

Pandas 是数据分析领域的利器，对于结构化数据的缺失检测非常直观。

import pandas as pd
import numpy as np

示例数据

data = {
   
    'A': [