问题 使用KNN在python中缺少值插补

fancyimpute包 使用以下API支持这种插补：

from fancyimpute import KNN    
# X is the complete data matrix
# X_incomplete has the same values as X except a subset have been replace with NaN

# Use 3 nearest rows which have a feature to fill in each row's missing features
X_filled_knn = KNN(k=3).complete(X_incomplete)

以下是此软件包支持的插补：

•SimpleFill：用每个的平均值或中位数替换缺失的条目   柱。

•KNN：最近邻估算，用于对样本进行加权   两行都具有的特征的均方差   观察数据。

•SoftImpute：通过SVD的迭代软阈值处理完成矩阵   分解。灵感来自R的softImpute包，这是   基于光谱正则化算法的大学习   Mazumder等人的不完全矩阵。人。

•IterativeSVD：通过迭代低秩SVD完成矩阵   分解。应该类似于SVDimpute来自Missing值   Troyanskaya等人的DNA微阵列估计方法。人。

•MICE：用链式方程重新实现多重插补。

•MatrixFactorization：不完整矩阵的直接分解   进入低等级U和V，对L1的元素进行L1稀疏惩罚   U和V元素的L2惩罚由梯度下降解决。

•NuclearNormMinimization：精确矩阵的简单实现   由Emmanuel Candes和Benjamin通过Convex Optimization完成   Recht使用cvxpy。对于大型矩阵来说太慢了。

•BiScaler：行/列均值和标准的迭代估计   偏差得到双重归一化矩阵。不保证收敛   但在实践中运作良好。取自Matrix Completion和Low-Rank   通过快速交替最小二乘法进行SVD​​。