sklearn.IterativeImputer与pandas线性插值方法有何差异

两者虽然都带"linear"字样，但从底层逻辑到适用场景完全不一样，核心区别可以归纳为4点：

• 填充依据完全不同
  pandas.interpolate(method='linear')是单变量插值，填充某一列的缺失值时，只会用到这一列本身的相邻非缺失值，按两点确定一条直线的逻辑算中间缺失位置的数值，全程不参考其他任何特征列的信息。
  IterativeImputer是多变量迭代回归填充，填充时会把整个数据集的所有特征都用上：把待填充的列当预测目标，其余列当输入特征训练线性模型，用模型预测值当填充结果，还会多轮迭代直到填充值稳定，本质是靠特征间的线性关联补值。
• 适用场景不重叠
  pandas线性插值最适合有序序列、时序数据，比如按时间顺序采集的温度、流量数据，中间漏采了几个点，用它补出来的值符合序列本身的前后趋势，计算速度极快。如果是无序的表格横截面数据（比如用户调研数据，行和行之间没有顺序关系），用它插值完全没有逻辑依据，补出来的值是错的。
  线性参数的IterativeImputer适合无序的表格类数据，前提是特征之间确实存在线性相关性，比如收入、消费、学历几个特征互相关联，缺了某条样本的收入值，可以靠该样本的其他特征通过线性关系推算出来，这种场景下用pandas单变量插值反而不准。
• 边界缺失处理逻辑不同
  pandas线性插值默认补不了序列最开头、最末尾的缺失值——因为首尾缺失点只有单侧有参考值，凑不齐两个点算直线，必须手动改limit_direction参数才会做前向/后向填充。
  IterativeImputer没有这个限制，只要待填充样本的其他特征有有效值，哪怕是数据集首尾行的缺失也能算出来，但如果某一行所有特征全缺失，它也没法补。
• 工程适配性不同
  pandas插值是直接对现有DataFrame做计算，不需要单独训练，写起来简单，适合快速做数据探索；但它没法区分训练集和测试集，如果你在切分数据集之前对全量数据做插值，会把测试集的信息泄露到训练过程里，做正式建模时很容易出问题。
  IterativeImputer是标准的sklearn转换器，完全遵循fit/transform调用逻辑，拟合时只会用训练集的数据学特征关联规则，再分别给训练集、测试集补值，可以直接嵌到机器学习Pipeline里，不会出现数据泄露，但因为要迭代训练多个线性模型，计算速度比pandas插值慢很多。

补充一个容易踩的坑：如果你的数据集行之间没有顺序（比如随机抽样的用户数据），不要用pandas的linear插值，它是按行索引的位置算距离的，乱序的话补出来的值完全没有意义。

内容的提问来源于stack exchange，提问作者형한결