Matlab新手求助：如何用k近邻法填补数据集中的NaN值？

Hey there, fellow MATLAB newbie! I totally get how frustrating it is to get stuck on missing value imputation, especially when the professor's steps feel a bit abstract. Let's break this down into simple, actionable code and explanations—both the "one-click" easy way and a manual implementation that maps exactly to your professor's guidance, so you can understand what's happening under the hood.

最简便的方法：用MATLAB自带函数一步到位 #

MATLAB其实有现成的knnimpute函数，专门用来做KNN缺失值填补，完全不用手动拆分数据或者写复杂逻辑，对新手友好到爆炸：

% 假设你的数据集存储在变量data中（1460行×36列的矩阵）
k = 5; % 可以调整k值，比如3、7，先从5开始试效果
imputed_data = knnimpute(data, k);

为什么这个好用？ #

• 它会自动识别所有列的NaN值，不需要你手动拆分缺失行和完整行
• 计算距离时会自动忽略包含NaN的维度，不会因为某列有缺失就报错
• 1460行的数据集运行速度极快，绝对不会花9小时（你之前卡住大概率是手动处理时写了低效的循环或者没正确处理NaN）

手动实现（对应教授的步骤，帮你理解原理） #

如果你想搞懂教授说的每一步，下面的代码完全对应他的指导，每一步都加了注释：

% 假设你的数据集是data（1460×36）
k = 5; % 设定近邻数量

%% 步骤1：找出与第一列相关的列（简化版：直接用所有非全NaN的列当特征）
% 先筛选出至少有一个非NaN值的列，避免用全空的列计算距离
feature_cols = ~all(isnan(data));
usable_features = data(:, feature_cols);

%% 步骤2：拆分缺失行和完整矩阵A
% 标记第一列有NaN的行
nan_rows_col1 = isnan(data(:, 1));
% 完整矩阵A：所有第一列无NaN的行
A = data(~nan_rows_col1, :);
% 缺失行向量：第一列有NaN的行
missing_rows = data(nan_rows_col1, :);

%% 步骤3：用knnsearch找近邻并填补NaN
% 提取完整矩阵和缺失行的特征列（用于计算相似度）
A_features = A(:, feature_cols);
missing_features = missing_rows(:, feature_cols);

% 找到每个缺失行在A中的k个最近邻索引
idx = knnsearch(A_features, missing_features, 'K', k);

% 用k个近邻的第一列均值填补缺失值
filled_values = mean(A(idx, 1), 2);
% 把填补后的值放回原数据集
data(nan_rows_col1, 1) = filled_values;

%% 重复上述步骤处理其他有NaN的列（比如第二、第三列）
% 处理第二列的示例：
nan_rows_col2 = isnan(data(:, 2));
A_col2 = data(~nan_rows_col2, :);
missing_rows_col2 = data(nan_rows_col2, :);
idx_col2 = knnsearch(A_col2(:, feature_cols), missing_rows_col2(:, feature_cols), 'K', k);
filled_values_col2 = mean(A_col2(idx_col2, 2), 2);
data(nan_rows_col2, 2) = filled_values_col2;

新手小贴士 #

• k值怎么选？ 先从3、5、7这类奇数开始试，k太小容易受异常值影响，k太大可能引入无关数据的噪声
• 为什么之前卡了9小时？ 大概率是用了for循环逐行处理，MATLAB对向量操作的效率远高于循环，尽量避免遍历每一行
• 要不要筛选相关列？ 如果你想严格遵循教授的第一步，可以用corrcoef计算第一列和其他列的相关性，只保留相关系数绝对值大于0.3的列当特征，不过对1460行的数据来说，用所有列也不会慢

内容的提问来源于stack exchange，提问作者Pitlab