采用sklearn包进行批量统计填充

sklearn包并不支持批量统计填充缺失值的功能，但是可以使用sklearn中的Pipeline和SimpleImputer模块来进行缺失值处理。

Pipeline是一种方便的将多个数据处理步骤连接在一起的方法，而SimpleImputer则是一种用于填充缺失值的模块。

以下是一个使用Pipeline和SimpleImputer模块进行缺失值处理的示例代码：

from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()

# 构建Pipeline
pipeline = Pipeline([
    ('imputer', SimpleImputer(strategy='most_frequent')), # 使用众数填充缺失值
    ('scaler', StandardScaler()), # 数据标准化
    ('classifier', LogisticRegression()) # 使用逻辑回归分类器
])

# 训练模型
pipeline.fit(iris.data, iris.target)

上述代码中，Pipeline首先使用SimpleImputer模块对缺失值进行填充，然后使用StandardScaler模块对数据进行标准化，最后使用LogisticRegression模块对数据进行分类。

其中，SimpleImputer模块的strategy参数可以设置为'mean'、'median'或'most_frequent'等，分别表示使用均值、中位数或众数填充缺失值。在上述代码中，我们选择使用众数填充缺失值。

这样，我们就可以使用sklearn中的Pipeline和SimpleImputer模块来进行缺失值处理。