如何用Python及scikit-learn替换线性回归因变量y的缺失值为均值？

我来帮你搞定这两个关于因变量y缺失值处理的问题，直接上干货：

处理因变量y的缺失值和处理特征X的逻辑是一致的，不过要注意y一般是一维数组，而SimpleImputer默认处理二维数据，所以我们需要先把y转换成二维格式，处理完再转回一维。这里是调整后的完整代码：

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

# 加载数据集
dataset = pd.read_csv('Data-hw1.csv')
X = dataset.iloc[:, :-1].values  # 提取特征变量
y = dataset.iloc[:, -1].values   # 提取因变量y

# 处理y中的缺失值
# 先把一维的y转为二维数组（因为SimpleImputer要求输入是二维）
y = y.reshape(-1, 1)
imputer_y = SimpleImputer(missing_values=np.nan, strategy='mean')
imputer_y.fit(y)
y = imputer_y.transform(y).flatten()  # 转回一维数组

# 如果你同时需要处理X的缺失值，保留原代码即可
imputer_x = SimpleImputer(missing_values=np.nan, strategy='mean')
imputer_x.fit(X[:,1:3])
X[:,1:3] = imputer_x.transform(X[:,1:3])

print("处理后的特征X：")
print(X)
print("\n处理后的因变量y：")
print(y)

关键步骤说明：

• 用reshape(-1, 1)把一维的y转换成列向量（二维），满足SimpleImputer的输入要求
• 处理完成后用flatten()转回一维数组，方便后续线性回归模型的输入

这里有两种常用的方法，根据你的习惯选就行：

方法1：使用scikit-learn的SimpleImputer #

和问题1的处理逻辑一致，核心就是用均值策略填充缺失值，单独提炼的代码如下：

import numpy as np
from sklearn.impute import SimpleImputer

# 假设y是包含缺失值的一维数组
y = np.array([2.5, np.nan, 3.2, 4.1, np.nan, 5.0])

# 转换为二维并填充均值
y_imputed = SimpleImputer(strategy='mean').fit_transform(y.reshape(-1, 1)).flatten()
print("填充后的y：", y_imputed)

方法2：使用pandas的fillna（更简洁） #

如果你的数据是用pandas的Series存储的，用fillna方法会更直观，不需要折腾数组维度：

import pandas as pd
import numpy as np

# 加载数据集后提取y为Series
dataset = pd.read_csv('Data-hw1.csv')
y = dataset.iloc[:, -1]

# 用均值填充缺失值
y_imputed = y.fillna(y.mean())
print("填充后的y：")
print(y_imputed)

内容的提问来源于stack exchange，提问作者kHL