Sklearn 机器学习 缺失值处理 过滤掉缺失值的行并统计

亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

---

Sklearn机器学习中的缺失值处理：过滤缺失值的行并统计

在机器学习的实际数据处理中，我们经常会遇到缺失值（Missing Values）。如果不及时处理，缺失值可能会影响模型的训练和预测精度。本文将详细介绍如何使用 Python 与 pandas + sklearn 组合，过滤掉包含缺失值的行，并统计每列的缺失值数量，为后续建模打下干净整洁的数据基础。

---

一、什么是缺失值？

缺失值指的是在原始数据集中，某些样本在某些特征上的值丢失，常见表示形式有：

• NaN（Not a Number）
• None
• 空字符串 ''

缺失值的来源可能是用户漏填、采集失败或无效输入等。

---

️ 二、准备工作：导入库与示例数据

我们使用 pandas 来加载数据与处理缺失值，sklearn 则用来后续建模。这里构造一个带缺失值的示例 DataFrame：

import pandas as pd
import numpy as np
from sklearn