使用MissForest处理缺失值遇ImportError报错的解决方法咨询

问题原因 #

报错源于missingpy库未适配scikit-learn 1.2.x版本。scikit-learn在1.2版本中重构了sklearn.neighbors模块，移除了_check_weights函数的原有导出路径，而missingpy的代码仍在尝试从旧路径导入该函数，导致导入失败。

解决办法 #

方法1：降级scikit-learn到兼容版本 #

将scikit-learn降级到1.1.x系列（推荐1.1.3），该版本与missingpy的API完全兼容：

pip install scikit-learn==1.1.3 --force-reinstall

执行后重新运行原有代码即可恢复正常。

方法2：使用scikit-learn原生迭代填补替代 #

如果不想降级sklearn，可以用scikit-learn内置的IterativeImputer结合随机森林模型，实现MissForest的核心逻辑，无需依赖missingpy：

import pandas as pd
from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer
from sklearn.ensemble import RandomForestRegressor, RandomForestClassifier
import numpy as np

# 假设你的数据是df，包含数值和分类特征
numeric_cols = df.select_dtypes(include=[np.number]).columns
categorical_cols = df.select_dtypes(exclude=[np.number]).columns

# 填补数值特征
numeric_imputer = IterativeImputer(estimator=RandomForestRegressor(n_estimators=100, random_state=42), max_iter=10)
df[numeric_cols] = numeric_imputer.fit_transform(df[numeric_cols])

# 填补分类特征（转换回原数据类型）
categorical_imputer = IterativeImputer(estimator=RandomForestClassifier(n_estimators=100, random_state=42), max_iter=10)
df[categorical_cols] = categorical_imputer.fit_transform(df[categorical_cols]).astype(df[categorical_cols].dtypes)

方法3：手动修改missingpy源码（进阶） #

若坚持使用missingpy，可找到安装目录下的missingpy/missforest.py文件，修改导入逻辑：

• 找到代码行from sklearn.neighbors._base import _check_weights
• 替换为from sklearn.utils.validation import _check_weights（sklearn 1.2+中该函数已移至此处）
  修改后保存文件即可正常导入，但后续更新missingpy会覆盖该修改，需谨慎使用。

内容的提问来源于stack exchange，提问作者Dai