函数/操作输入形状输出形状作用(n, m)(m,)每列计算 Q1(n, m)广播比较，每列独立(n, m)(n,)按行检查是否有 True(n, m)(n,)按行检查是否全为 True.clip()(n,)(n,)单列截断。

示例。

Step 2: 对每一列，用其他列作为特征，该列作为目标，训练模型。# 原理：将每个缺失值列作为目标变量，用其他列作为特征进行预测。# 原理：找到与缺失值样本最相似的K个邻居，用它们的平均值填充。# Step 1: 用简单方法（如中位数）初步填充所有缺失值。# Step 1: 计算所有样本间的距离（考虑所有特征）# Step 3: 用这K个邻居在该特征上的平均值填充。计算与其他所有样本的距离（基于

决策树、随机森林、XGBoost等树模型（对数值大小不敏感）线性模型（如逻辑回归、SVM）类别数量极多（>100个）神经网络（需要标准化处理）对于encoder 的使用。类别间无天然顺序关系。

【代码】机器学习特征预处理之删除常量列。

稀疏矩阵是指矩阵中大部分元素为0的矩阵。在OneHot编码中，每个样本只有一个类别值为1，其余都是0，天然适合用稀疏格式存储。python# 假设有100个城市，100万条数据# 密集矩阵：100万 × 100 = 1亿个元素# 稀疏矩阵：只存储非零元素的位置和值。

一般数据先标准化 再移除低方差列。

对指定的数值列应用Power Transformation（幂变换），使数据更接近正态分布，常用于满足统计模型假设或提升模型性能。数据包含零/负值 → 必须用Yeo-Johnson。仅正值 → Box-Cox通常效果更好（更稳定）记录变换参数（如λ值），便于逆变换和解释。对象，用于新数据的变换。

说明：如果数据特征数量<100且特征间相关性低，当前代码可用。但对于生产环境或高维数据，建议采用。

【代码】机器学习特征预处理之删除共线性特征。