这实际上取决于所使用的插补技术。例如，如果我们使用基于距离的度量（例如 KNN）进行估算，则建议首先标准化数据，然后进行估算。这是因为较低的幅度值收敛得更快。

一个想法可能是使用 caret 包中的预处理功能。当您使用 method = knnImpute 时，它​​首先在插补之前居中并缩放数据。

preProcValues <- preProcess(data, method = c("knnImpute","center","scale"))

据推测，如果您确实需要对数据进行中心化和缩放，则应该在插补后完成，因为插补可能会影响正确的中心和使用比例！

通常，插补应该是您进行的任何分析的第一步。

编辑@Inon 对评论的回答：

你说插补应该保持中心和规模，以及标准化。为什么？如果缺失值确实是随机缺失的，也许这并不重要，但通常缺失可能取决于其他观察到的变量，然后平均值和尺度的估计可能会因缺失中的这种模式而出现偏差。插补（更好的多重插补）是对抗这种偏差的一种方法。但是，如果您在缩放后进行插补，您只需保留缺失机制引入的偏差。插补是为了解决这个问题，而在缩放后进行插补就可以解决这个问题。