1、官方说明
sklearn.preprocessing.Imputer 用于对数据中的缺失值进行补全，支持“均值（mean）”、“中值（median）”、“众数（most_frequant，也就是mode）”三种数值替换数据集中的缺失值（numpy.nan、NaN等）
https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.Imputer.html
参数：
（1）missing_values：可选参数，整数或“NaN”，默认为“NaN”，对于编码为 np.nan 的缺失值，使用字符值"NaN"
（2）strategy：可选参数，替换的目标数值，支持“均值（mean）”、“中值（median）”、“众数（most_frequant，也就是mode），默认为平均值
（3）axis：可选参数，整数，支持“沿列（0）或沿行（1）计算 strategy 中使用的替换值”，默认为
（4）verbose：可选参数，整数，默认为 0
（5）copy：可选参数，布尔值，默认为 True
方法：
（1）fit(self, X[,y])：在数据集上拟合插值器
（2）fit_transform(self, X[,y])：拟合数据，并转换
（3）get_params(self[,deep])：获得该插值器的参数
（4）set_params(self,\*\*params)：设置该插值器的参数
（5）transform(self,X)：插值数据集 X 中的缺失值
2、实例
from sklearn.preprocessing import Imputer
import numpy as npimputer = Imputer(missing_values='NaN', strategy="mean", axis=0)duty_data = [[1,2,np.nan],[4,5,6],[7,np.nan,9],[10,11,12],[np.nan,14,15]]imputed_data = imputer.fit_transform(duty_data)print(imputed_data)[[ 1. 2. 10.5][ 4. 5. 6. ][ 7. 8. 9. ][10. 11. 12. ][ 5.5 14. 15. ]]