scikit-learn中f_regression如何处理含缺失值的特征？是否直接丢弃？

我用scikit-learn构建简单回归模型，数据集包含数千个特征、约600行数据。为建立基准模型，我采用SelectKBest(score_func=f_regression, k=50)选择50个最优特征，但目前未对大量存在缺失值的特征做插补或删除操作，想知道这个特征选择策略会如何处理这些带缺失值的特征？

特征选择函数代码 #

def process_training_and_test_data_for_LG(df):
    training_datasets = {}
    test_datasets = {}
    for drug in df.keys():
        
        print("at "+drug)
        X = df[drug].drop(["cell_line_name", "ln_IC50","putative_target"], axis=1)
        y = df[drug]["ln_IC50"]
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)


        #Select 50 top correlated features
        feature_selector = SelectKBest(score_func=f_regression, k=50)
        feature_selector.fit(X_train, y_train)
    
        X_train = feature_selector.transform(X_train)
        X_test = feature_selector.transform(X_test)
    
        #Add data to relevant dictionaries
        training_datasets[drug] = [X_train, y_train]
        test_datasets[drug] = [X_test, y_test]

    return training_datasets, test_datasets

• f_regression对缺失值的处理逻辑：f_regression是通过计算特征与目标变量的皮尔逊相关系数，再转换为F值和p值来打分的。而皮尔逊相关系数计算时会自动忽略包含缺失值的样本行——也就是说，某个特征只要存在缺失值，计算它的得分时只会用该特征无缺失的那些样本数据。

• SelectKBest的对应行为：SelectKBest会基于f_regression输出的得分排序，选出前50个得分最高的特征。但这里存在明显隐患：如果某个特征缺失值极多，计算出的相关性可能只基于少量样本，完全不具备代表性，却有可能被选入最终特征集。

• 当前代码的风险：你的代码未做缺失值处理，执行feature_selector.fit(X_train, y_train)时scikit-learn不会主动报错（除非全特征全是缺失值），但会悄悄丢弃含缺失值的样本进行计算，这会导致：

  1. 不同特征的得分基于不同的样本子集，特征之间的得分不具备可比性；
  2. 最终选出的特征可能是基于少量样本计算出的“虚假”高相关特征，模型泛化能力极差；
  3. 后续transform操作时，测试集里的缺失值会直接保留，进入模型训练/预测阶段，而大多数回归模型（比如线性回归）无法处理缺失值，会直接报错或输出异常结果。

• 建议的改进步骤：

  1. 先处理缺失值：在特征选择前，对训练集做缺失值插补（比如用均值、中位数，或者简单的0填充，根据特征类型选择），注意要只基于训练集计算插补统计量，再应用到测试集，避免数据泄露；
  2. 过滤高缺失率特征：先删除缺失率过高的特征（比如缺失率超过50%的），这类特征本身信息密度极低，没必要参与后续流程；
  3. 验证特征得分的可靠性：可以查看feature_selector.scores_和feature_selector.pvalues_，检查那些被选中的特征对应的有效样本量，确认得分的可信度。

内容的提问来源于stack exchange，提问作者LJM