我对机器学习这个领域非常新手，目前正在参加一个在线课程。在课程中，讲师展示了以下代码：

imputer = Inputer(missing_values = 'Nan', strategy = 'mean', axis=0)imputer = Imputer.fit(X[:, 1:3])X[:, 1:3] = imputer.transform(X[:, 1:3])

我不太明白为什么这个Imputer对象需要进行fit。我的意思是，我只是想通过用列的平均值来替换缺失值来处理我的列。从我对编程的有限了解来看，这是一个非常简单的、迭代的过程，不需要一个必须在数据上训练的模型来完成。

能有人解释一下这个Imputer是如何工作的，以及为什么它需要训练来用列的平均值替换一些缺失值吗？我已经阅读了sci-kit的文档，但它只是展示了如何使用这些方法，而没有解释为什么需要这些方法。

谢谢你。

回答：

Imputer用数据的某些统计值（例如平均值、中位数等）来填补缺失值。为了避免在交叉验证期间发生数据泄露，它在fit过程中计算训练数据的统计值，存储这些统计值，并在transform过程中应用于测试数据。

from sklearn.preprocessing import Imputerobj = Imputer(strategy='mean')obj.fit([[1, 2, 3], [2, 3, 4]])print(obj.statistics_)# array([ 1.5,  2.5,  3.5])X = obj.transform([[4, np.nan, 6], [5, 6, np.nan]])print(X)# array([[ 4. ,  2.5,  6. ],#        [ 5. ,  6. ,  3.5]])

如果你训练数据和测试数据是相同的，你可以使用fit_transform一次完成这两个步骤。

X = obj.fit_transform([[1, 2, np.nan], [2, 3, 4]])print(X)# array([[ 1. ,  2. ,  4. ],#        [ 2. ,  3. ,  4. ]])

这个问题很重要，因为数据分布可能从训练数据到测试数据发生变化，你不希望测试数据的信息在fit过程中已经存在。

有关交叉验证的更多信息，请参阅文档。