我有一个包含284个特征的数据集，试图使用scikit-learn进行插补，然而我得到了一个错误，特征数量变为了283个：

imputer = SimpleImputer(missing_values = np.nan, strategy = "mean")imputer = imputer.fit(data.iloc[:,0:284])df[:,0:284] = imputer.transform(df[:,0:284])X = MinMaxScaler().fit_transform(df)---------------------------------------------------------------------------ValueError                                Traceback (most recent call last)<ipython-input-150-849be5be8fcb> in <module>      1 imputer = SimpleImputer(missing_values = np.nan, strategy = "mean")      2 imputer = imputer.fit(data.iloc[:,0:284])----> 3 df[:,0:284] = imputer.transform(df[:,0:284])      4 X = MinMaxScaler().fit_transform(df)~\Anaconda3\envs\environment\lib\site-packages\sklearn\impute\_base.py in transform(self, X)    411         if X.shape[1] != statistics.shape[0]:    412             raise ValueError("X has %d features per sample, expected %d"--> 413                              % (X.shape[1], self.statistics_.shape[0]))    414     415         # Delete the invalid columns if strategy is not constantValueError: X has 283 features per sample, expected 284

我不明白为什么会变成283个特征，我猜测在拟合过程中它可能找到了所有值为0的特征并决定删除这些特征，但我找不到任何文档说明如何确保这些特征被保留。我不是程序员，所以不确定是否遗漏了什么显而易见的东西，或者是否应该考虑其他方法？

回答：

如果你的数据集中有某个特征完全没有值，就会发生这种情况，根据https://scikit-learn.org/stable/modules/generated/sklearn.impute.SimpleImputer.html的说明：“如果策略不是‘constant’，在fit时仅包含缺失值的列在transform时会被丢弃”。你可以通过在构建imputer时使用较高的’verbose’值来检查是否确实是这个问题：

sklearn.impute.SimpleImputer(…, verbose=100,…)

它会输出类似这样的警告：UserWarning: Deleting features without observed values: [ … ]