均值众数填充与bfill/ffill效果差异及分类缺失值填充方法咨询

这个结果直接对应你数据集的三个核心特性：

• 样本存在强局部相邻关联性：bfill（后向填充）、ffill（前向填充）的核心逻辑是用相邻行的观测值补全缺失，效果更好首先说明你的数据集样本不是完全随机打散的无序样本——如果是按时间顺序采集的时序记录、同批次归集的业务数据、按维度分层排列的样本，相邻行往往属于同一采集批次、同一用户群体、同一分类簇，特征取值本身就高度趋同，用相邻值补全比全局统计量更贴近真实取值。
• 缺失机制不属于完全随机缺失（MCAR）：mean/mode是全局统计值，会强行把所有缺失值拉到全局平均/最常见取值的水平，直接抹平缺失位置的局部特征差异。从指标上看两种填充方式的准确率差距很小，但召回率从0.586掉到0.5，说明少数类（召回率对应的目标正类）的缺失值被全局mode填充时，大概率被填成了多数类的常见取值，直接扭曲了正类样本的特征规律，模型识别正类的能力大幅下降。而bfill/ffill用相邻值补全，刚好匹配了缺失值和邻近样本的关联关系，没有破坏局部特征和标签的对应规律。
• 特征分布不符合全局统计量的适用前提：你提到数据集仅2个属性为数值型，如果这两个数值特征是偏态分布（比如存在极端值、多峰分布），全局mean根本代表不了样本的真实取值，反而会被极端值带偏；分类特征如果存在多类别占比接近、长尾分布的情况，全局mode只取占比最高的单一类别，会直接覆盖其他类别的真实信息，人为引入噪声。

• 分组统计量填充：放弃全局mean/mode，先选择和目标标签、缺失列相关性最高的分类特征做分组，在组内计算数值特征的均值/中位数、分类特征的众数做填充，比如按用户ID分组填充用户自身的行为统计值，精度远高于全局统计填充。
• 缺失值单独成类：针对分类特征，直接将缺失作为一个独立的特征取值，不做强行填充。很多场景下缺失本身就携带有效信息（比如用户刻意不填某类信息、某类数据采集通道故障只影响特定群体），单独成类可以让模型直接学到缺失规律，避免填充引入的噪声。
• 近邻填充（KNNImputer）：计算缺失样本和其他无缺失样本的特征距离，找到最相似的K个样本，用这K个样本的众数（分类特征）、均值/中位数（数值特征）补全缺失值，对局部特征相似的数据集适配性很好。
• 模型预测填充：把存在缺失的列作为预测目标，用其他无缺失的特征训练轻量模型（比如随机森林、决策树），预测缺失位置的取值，填充精度高于统计类方法。
• 多重插补（MICE）：通过多轮迭代建模为每个缺失值生成多个可能的填充值，构建多组完整数据集分别建模后合并结果，能将填充过程本身的不确定性纳入模型考量，适合缺失和特征关联较强的场景。
• 业务规则填充：如果是业务场景生成的数据集，直接基于业务逻辑补全即可，比如“用户未填写消费等级”可按其近30天消费行为对应的等级填充，比通用算法填充的可解释性和准确率都更高。

内容的提问来源于stack exchange，提问作者Encipher