Datawig补全缺失值时Cabin、Name列未被填充的问题求解

datawig.SimpleImputer.complete()方法内置了离散列自动过滤逻辑：默认会跳过唯一值数量超过max_unique_values_for_discrete_imputation阈值（默认值为200）的高基数离散列，不对其执行插补。
你的数据集中：

• Name列属于极高基数特征，几乎每个值对应唯一乘客，唯一值总数远高于默认阈值
• Cabin列为多段拼接的舱位信息，唯一值总数也超过了默认200的阈值
  因此两列被自动跳过，其余低基数object列（HomePlanet、Destination等）、数值列均正常完成插补，和观测到的缺失值剩余数量完全匹配。

如果调高阈值后仍存在未填充情况，可额外检查两列的缺失值是否为非标准格式：比如空字符串、"NA"/"null"等自定义占位符，这类值不会被识别为缺失值参与插补。

• 方案1：全局调参覆盖高基数列
  调用complete()方法时手动调高基数阈值，阈值大小设置为大于Cabin、Name列的实际唯一值总数即可，示例代码：

import datawig
df = datawig.SimpleImputer.complete(
    df,
    max_unique_values_for_discrete_imputation=10000
)

• 方案2：高基数列定制化插补（推荐，准确率更高）
  直接对原始高基数字符串做全局插补的准确率通常很低，建议拆分字段后分别处理：

  • 对Name列：可先提取乘客组ID、姓氏字段，通过同行乘客信息做规则匹配填充，效果优于通用模型插补
  • 对Cabin列：按/分隔拆分为Deck（舱层）、Cabin_num（舱号）、Side（舷侧）三个低基数子列，对子列分别插补后再拼接为完整Cabin字段，插补准确率更高，也不会触发高基数过滤规则

• 方案3：预处理非标准缺失值
  若调参后仍未填充，先将两列中的非标准缺失占位符替换为标准空值再执行插补：

import numpy as np
# 替换常见非标准缺失值
df[["Cabin", "Name"]] = df[["Cabin", "Name"]].replace(["", "NA", "None", "null"], np.nan)
# 再执行插补逻辑

内容的提问来源于stack exchange，提问作者Sam