sklearn.Imputer导入失败及pandas_ml报错求助

问题根源 #

我之前碰到过一模一样的问题，这本质是版本兼容性的坑：

• scikit-learn在0.20版本之后，把sklearn.preprocessing.Imputer彻底移到了sklearn.impute.SimpleImputer模块下
• 但pandas_ml已经多年没维护了（最后一次更新是2018年），它的源码里还在硬调用旧位置的Imputer，所以你用新版sklearn时就会触发这个错误。

可行解决方案 #

方案1：安装兼容的旧版本依赖（快速临时解决）

既然pandas_ml只适配旧版sklearn，你可以在你的conda独立环境里安装scikit-learn 0.19.x和对应版本的pandas_ml：

# 先激活你的conda环境
conda activate Lab1_B
# 安装经过验证的兼容版本组合
conda install scikit-learn=0.19.2 pandas-ml=0.5.1

这个版本组合是完全匹配的，因为pandas_ml 0.5.1就是基于sklearn 0.19开发的。

方案2：替换为原生pandas + sklearn（长期推荐）

由于pandas_ml已经停止维护，后续肯定还会遇到更多版本兼容问题，更稳妥的方式是直接用原生工具栈替代：

• 原来用pandas_ml.ModelFrame处理的逻辑，完全可以用普通的pandas.DataFrame配合sklearn原生模块实现
• 比如原来用Imputer处理缺失值的逻辑，替换成新版的SimpleImputer示例：

import pandas as pd
from sklearn.impute import SimpleImputer
import numpy as np

# 读取你的数据
df = pd.read_csv("your_dataset.csv")
# 初始化填充器（比如用均值填充缺失值）
imputer = SimpleImputer(strategy='mean', missing_values=np.nan)
# 对需要处理的列执行填充
df[['target_col1', 'target_col2']] = imputer.fit_transform(df[['target_col1', 'target_col2']])

这种方式不仅避开了兼容坑，还能用上sklearn的最新功能。

方案3：手动修改pandas_ml源码（不推荐）

如果你一定要继续用pandas_ml，可以临时修改它的源码适配新版sklearn：

1. 找到报错的文件：~/anaconda3/envs/Lab1_B/lib/python3.7/site-packages/pandas_ml/skaccessors/preprocessing.py
2. 打开文件后做两处修改：

   # 1. 在文件顶部导入新的填充模块
   from sklearn.impute import SimpleImputer
   # 2. 把第13行的`pp.Imputer`替换成`SimpleImputer`
   

   另外还要注意后续代码中对填充器参数的调用（比如原来的missing_values='NaN'要改成missing_values=np.nan）
3. 保存文件后重新导入pandas_ml即可

不过这个方法只适合临时救急，因为后续更新pandas_ml时会覆盖你的修改，而且可能还有其他隐藏的兼容问题没被发现。

内容的提问来源于stack exchange，提问作者fecke9296