在Python中，SimpleImputer 类是 scikit-learn 库中的一个工具，用于处理数据集中缺失值的填充问题。以下是如何使用 SimpleImputer 的基本步骤和一个简单的代码示例：
# 导入所需的库
from sklearn.impute import SimpleImputer
import numpy as np
# 假设有一个包含缺失值的数据集（例如numpy数组）
data = np.array([[1, 2, np.nan], [3, 4, 6], [np.nan, 8, 9]])
# 创建一个SimpleImputer实例，并指定插补策略
imp = SimpleImputer(strategy='mean') # 这里选择均值作为填充方式，也可以选择'median'、'most_frequent'或'constant'
# 拟合（fit）imputer到数据中（找出每个特征的缺失值对应的填充值）
imp.fit(data)
# 使用拟合后的imputer转换数据以填充缺失值
filled_data = imp.transform(data)
print(filled_data)
如果你的数据集是pandas DataFrame格式，操作类似，但需要先转换为二维numpy数组进行填充，然后再转换回DataFrame格式：
import pandas as pd
# 假设df是一个pandas DataFrame
df = pd.DataFrame(data, columns=['col1', 'col2', 'col3'])
# 将DataFrame转化为numpy数组
data_array = df.values
# 使用SimpleImputer填充缺失值
filled_array = imp.transform(data_array)
# 将填充后的一维数组转回DataFrame
filled_df = pd.DataFrame(filled_array, columns=df.columns)
print(filled_df)
注意：根据不同的数据类型和需求，可以调整参数：
strategy: 插补策略，可选'mean','median','most_frequent'或'constant'。missing_values: 缺失值表示，默认为np.nan，可以根据实际数据中缺失值的表示方式进行更改。fill_value: 当strategy='constant'时，需要指定一个常数值来填充缺失值。
例如，如果你想用某个特定的值（如0）填充所有类型的缺失值：
imp_constant = SimpleImputer(strategy='constant', fill_value=0)
