对于离散数字序列，从现有值中随机抽样可能比使用平均值或中位数更好，后者将所有缺失值替换为单个数字，并肯定会给分布带来人为尖峰。

我认为这是一个比用平均值、最频繁值或中值替换更好的策略，因为它不会在值的分布中产生人为的尖峰。
不幸的是，这是错误的，当你对一个连续变量的分布一无所知时，最好的猜测是总是均值，因为它不太可能在你的数据中引入偏差。
如果你决定从 * 任何 * 分布中随机抽样来填补缺失值，你总是假设该分布是产生观测值的分布，因此，在数据集中引入了明显的偏倚。
但是，您可以查看sklearn.impute.IterativeImputer，它提供了一种更复杂的插补方法。

我参加这次讨论有点晚了，但既然我看到了，我想我应该加上我的2美分。
使用开源Python库Feature-engine，我们可以立即执行随机样本插补。我在这里留下了RandomSampleImputer的链接。
在下面的代码片段中，我展示了其功能与Scikit-learn transformers非常相似：

import pandas as pd
import numpy as np
from feature_engine.imputation import RandomSampleImputer

X = pd.DataFrame(dict(

       x1 = [np.nan,1,1,0,np.nan],

       x2 = ["a", np.nan, "b", np.nan, "a"],

       ))

rsi = RandomSampleImputer()

rsi.fit(X)

rsi.transform(X)

输出将为：

    x1 x2
0  1.0  a
1  1.0  b
2  1.0  b
3  0.0  a
4  1.0  a

其中缺失的数据被从原始变量中提取的随机样本（其中值是可用的）代替。
关于这个方法没有被包括在Scikit-learn中，开发者喜欢包括那些有很好的（科学的，如果可能的话）记录的方法。
我还要说的是，这不是一种标准的插补方法，当谈到简单的单变量方法时，使用最广泛的是均值、中位数、众数和任意插补。
这种方法确实保留了变量分布（对于所有分布），因为根据定义，变量的随机样本将显示相同的分布，但缺点是，它有一个随机性元素，这是很难解释的，特别是当我们想将模型投入生产时。
举一个极端的例子，假设我们有两个病人，10个变量中有9个显示相同的数据，而第10个变量的值缺失。当我们进行随机插补时，很可能每个病人会得到不同的值，这反过来又会导致不同的预测。而且，就对客户公平而言，这是不可行的。简而言之，我们会为表现出相同特征的病人提供不同的解决方案。
此外，当我们将模型投入生产时，为了提取随机样本，我们必须存储训练数据集的副本，如果数据集很大，可能会占用大量内存。