我知道填补缺失值就是字面上的意思，我这里讨论的是用列的平均值来填补。我通常会在将数据分割成训练集和测试集之前填补缺失值，但后来我看到这个问答，里面提到

注意：如果你想在机器学习/数据科学中使用这种方法：从数据科学的角度来看，先替换NA值然后再分割成训练集和测试集是错误的…你必须先分割成训练集和测试集，然后在训练集上用平均值替换NA值，再将这种有状态的预处理模型应用到测试集上，参见下面的sklearn相关答案！– Fabian Werner 2019年8月28日 9:18

这是什么意思？我们可以这样做吗？如果可以，应该怎么做？在分割数据之前和之后这样做有什么不同吗？如果有，为什么？请帮助我理解，因为我对此感到相当困惑。

回答：

是的，这个说法是正确的。你应该首先将数据分割成训练集和验证/测试集，然后在训练集上计算平均值，并将其应用到验证/测试集上。

事实上，这适用于任何基于数据本身的处理。如果你对整个数据集进行计算和转换，你就会将信息泄露到数据中。但我们希望有一个正确的验证，所以验证/测试数据集应该像训练集一样被处理