### 使用随机森林填补数据集中缺失值 随机森林可以通过训练已知部分的数据来预测未知的缺失值[^1]。这种方法特别适用于具有复杂关系的数据集，因为它能够捕捉到变量之间的非线性依赖关系。以下是基于 `scikit-learn` 的 Python 实现代码： ```python import numpy as np import pandas as pd from sklearn.experimental import enable_iterative_imputer # noqa from sklearn.impute import IterativeImputer from sklearn.ensemble import RandomForestRegressor, RandomForestClassifier # 创建带有缺失值的示例数据集 data = { 'A': [1, 2, np.nan, 4], 'B': [5, np.nan, 7, 8], 'C': [9, 10, 11, np.nan], 'D': [np.nan, 13, 14, 15] } df = pd.DataFrame(data) # 判断每列是否为数值型或类别型 numerical_cols = df.select_dtypes(include=[np.number]).columns.tolist() categorical_cols = df.select_dtypes(exclude=[np.number]).columns.tolist() # 定义迭代插补器 imputer_rf = IterativeImputer( estimator=RandomForestRegressor() if len(numerical_cols) > 0 else RandomForestClassifier(), max_iter=10, random_state=42 ) # 转换 DataFrame 为 NumPy 数组并执行插补 df_filled_np = imputer_rf.fit_transform(df[numerical_cols]) # 将结果重新组合回原始 DataFrame df_filled = df.copy() df_filled[numerical_cols] = df_filled_np print("填充后的数据集:") print(df_filled) ``` #### 说明 上述代码利用了 `IterativeImputer` 类，该类支持通过指定估计器（如随机森林回归器或分类器）来进行迭代式的缺失值填充[^2]。对于数值型特征，使用 `RandomForestRegressor`；而对于类别型特征，则应改用 `RandomForestClassifier`。 如果数据集中存在混合类型的特征（既包含数值又包含类别），需先对其进行编码处理（例如独热编码）。随后分别针对不同类型的子集应用对应的随机森林模型进行插补[^3]。 注意：当样本量较大时，此方法可能较为耗时，因为每次都需要拟合一棵完整的随机森林树[^4]。