换个宇宙去年我们组接了一个ICU患者数据建模的活儿，目标是根据入院头24小时的生理指标预测患者出院后的再入院风险。数据拉下来一看，大部分特征缺失率在15%到30%，其中几项护理评分甚至超过40%。一开始图省事，直接用均值把缺的口填了，交叉验证结果那叫一个飘：第一次跑AUC 0.78，第二次换随机种子直接掉到0.73，换掉几个脏样本又跳回0.76。怎么调模型都不对劲，后来才意识到问题根本不在模型，而在缺失值这一环。
后来我把缺失值处理换成了Scikit-learn的KNNImputer，思路很简单：用其他特征维度上与每个缺失样本最相似的K个样本，把它们的观测值拿来做加权平均，填充到缺失位置。就这么一个改动，模型AUC稳定在0.81上下，交叉验证的方差明显变小。这篇文章就把这套流程完整写下来：为什么医疗数据要插补而不是直接删，KNN插补的原理和三个关键参数，以及一套可以直接照抄的实操代码。
为了把问题说透，我用Scikit-learn自带的糖尿病数据集模拟一个带缺失的医疗场景，完整演示从数据清洗、标准化、KNN插补到分类预测的每一步，也把坑都标出来。无论你是做学术研究还是工业落地，这套方法都能直接用。
1. 为什么医疗数据绕不开“缺失值插补”
1.1 医疗数据的缺失不是随机的
医疗记录和电商、社交数据不太一样。患者入院后，各项检查、检验、护理评分是“按需开具”的，不是每项指标对每个患者都一定做。很多生理指标只有病情到一定程度才会额外检测，这直接导致缺失本身携带了病情信息。换句话说，ICU里某个患者如果没测某项指标，有时候不是“忘了记录”，而是医生判断当前场景下没必要测。
缺失机制一般分成三类：
- MCAR（完全随机缺失）：缺失和任何观测/未观测变量都无关，比如设备临时故障导致部分记录丢失。
- MAR（随机缺失，但跟已观测变量有关）：缺失倾向依赖于已观测到的特征，比如年龄更大的患者更容易漏填某项量表。
- MNAR（非随机缺失）：缺失值和缺失值本身有关，比如某种检查结果太差，反而不被记录。
医疗数据里最多的情况是MAR，也可能是MCAR，但几乎不会是完全的MNAR。这一点很关键：MAR和MCAR都意味着我们可以用已有观测信息去估计缺失值，这也是KNN插补能成立的前提。如果数据是MNAR，光靠插补救不回来，那是另一个层面的问题，后文会专门讲。
1.2 直接删样本或均值填充，损失到底在哪
很多人处理缺失的第一步就是 dropna()，在缺失率不高、样本量很大的场景下确实可以；但医疗数据往往样本量稀缺，动辄几百条到几千条，删掉30%带缺失的记录，直接损失的是统计功效和模型对罕见类别患者的覆盖。更麻烦的是，如果缺失和病情严重程度有关，删掉这些样本等于把最难预测的高危病人全删了，模型在真实场景里就是“睁眼瞎”。
均值/中位数填充是另一个常见做法，成本低、代码短，但问题非常明显：填充值不会带来“样本特定”的信息。用列均值填出来的值，不管患者本身多特殊，都被拉到了人群平均水平。这样做首先会压低该特征的方差，导致线性模型和距离类模型估计不准确；其次会破坏特征之间的相关结构。举个简单例子：BMI和血压在真实数据里是相关的，均值填充后这种局部相关被稀释，后续模型学到的特征关系就是错的。
我在初版模型里用均值填充，交叉验证AUC波动特别大，后来查了很多特征重要性的变化，发现关键特征的交互作用完全乱掉了。换成KNN插补后，每个缺失样本的填充值不再是一个全校平均值，而是“跟这个患者最像的那批患者的实际测量值”，这样特征间的协同关系就被保留了下来。这也是KNN插补在预测任务里比均值填充稳的根本原因。
这里我放一个最简单的对比实验，用的是模拟数据，数值不算漂亮，但趋势很典型。
| 处理方式 | AUC（RF, 5折CV） | 5折标准差 |
|---|---|---|
| 均值填充 | 0.743 | 0.031 |
| 删除缺失样本 | 0.702 | 0.045 |
| KNN插补（k=5, weights='distance'） | 0.812 | 0.016 |
KNN插补不仅拉高了平均分，还压低了方差。“稳”这个词说的就是这件事——做交叉验证、换训练集种子的时候，模型表现不会一会儿天堂一会儿地狱。当然，表格只是结果展示，原理要往下看。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. KNN插补的核心原理：邻居平均怎么在医学场景里生效
2.1 核心思想是“相似样本给相似答案”
KNN最早是用于分类和回归的监督学习算法，KNN插补则借用了同一套直觉：如果两个病人的特征