我今天也遇到了同样的问题，很遗憾你的帖子没有答案。我认为这个问题在 sklearn 文档中没有得到很好的解决。我可以向您展示我对这个问题的解决方法：

headers = X.columns.values
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

empty_train_columns =  []
for col in X_train.columns.values:
    # all the values for this feature are null
    if sum(X_train[col].isnull()) == X_train.shape[0]:
        empty_train_columns.append(col)
print(empty_train_columns)

这个想法是保留所有列名，并在拆分数据后检查训练集中的哪些列完全为空。如果我没记错的话，Imputer 尊重列顺序，例如，如果您使用基于决策树的模型，您可以将每个特征与其重要性相关联。

我对这段丑陋的代码不满意，但我找不到更优雅（和简单）的解决方案。

SimpleImputer 删除完全由缺失值组成的列。尝试关联原始列时确实令人不快；sklearn 开发人员一直在讨论这个问题：

https://github.com/scikit-learn/scikit-learn/issues/16426

如果您直接工作，文森特的回答很好：只需检测并删除有问题的所有缺失列，因为它们对您的模型没有任何贡献。如果您需要更自动化的东西（例如，您有一个高度缺失的列，在交叉验证中会导致一些训练折叠全部缺失），那么也许使用 a ColumnTransformer，其中columns参数是一个可调用的检查所有缺失的？然后，您可以使用 ColumnTransformer 的get_feature_names方法来查明何时/是否删除了列。

根据我的经验，它没有删除任何列。它将列名从实际列名替换为 1、2、3...

将实际列名放在插补之后

 imp = SimpleImputer(missing_values = np.nan, strategy = 'most_frequent')
 imp.fit(df)
 df = pd.DataFrame(imp.transform(df), columns = df.columns)