导入必要的库package orgexample;import javaioFileInputStream; 用于读取输入文件import javaioFileOutputStream; 用于写入输出文件import javatextDecimalFormat; 用于格式化数字import javatextParseException; 用于解析日期import javatextSimpl

可以将缺失数据的处理方法更换成KNN邻近算法，修改后的代码如下：

// 导入必要的库 package org.example;

import java.io.FileInputStream; // 用于读取输入文件 import java.io.FileOutputStream; // 用于写入输出文件 import java.text.DecimalFormat; // 用于格式化数字 import java.text.ParseException; // 用于解析日期 import java.text.SimpleDateFormat; // 用于格式化日期 import java.util.ArrayList; // 用于存储数据 import java.util.Collections; // 用于排序 import java.util.Comparator; // 用于排序 import java.util.Date; // 用于处理日期 import java.util.List; // 用于存储数据

import org.apache.poi.ss.usermodel.Cell; // Excel 单元格 import org.apache.poi.ss.usermodel.CellType; // Excel 单元格类型 import org.apache.poi.ss.usermodel.Row; // Excel 行 import org.apache.poi.ss.usermodel.Sheet; // Excel 工作表 import org.apache.poi.ss.usermodel.Workbook; // Excel 工作簿 import org.apache.poi.ss.usermodel.WorkbookFactory; // Excel 工作簿工厂

public class Missing_data_processing {

public static void main(String[] args) {
    // 定义输入文件和输出文件的路径
    String inputFile = "input.xlsx";
    String outputFile = "output.xlsx";
    try (Workbook workbook = WorkbookFactory.create(new FileInputStream(inputFile)); // 使用工作簿工厂创建 Excel 工作簿
         FileOutputStream outputStream = new FileOutputStream(outputFile)) { // 创建输出文件
        Sheet sheet = workbook.getSheetAt(0); // 获取 Excel 工作表
        DecimalFormat df = new DecimalFormat("#.##"); // 创建 Decimal 格式化器，用于保留两位小数
        // 对每一行进行处理
        for (int i = 1; i <= sheet.getLastRowNum(); i++) {
            Row row = sheet.getRow(i); // 获取行对象
            if (row != null) {
                Cell cell = row.getCell(1); // 获取第二列单元格
                if (cell != null && cell.getCellType() != CellType.BLANK) {
                    // 如果单元格不为空，则跳过
                } else {
                    double avg = calculateKNN(sheet, i, 1); // 计算KNN邻近算法填充的值
                    if (avg > 0) { // 如果填充的值大于 0
                        if(cell == null){ // 如果单元格为空，则创建新的单元格
                            cell = row.createCell(1);
                        }
                        cell.setCellValue(Double.parseDouble(df.format(avg))); // 将填充的值填入单元格
                    }
                }
            }
        }
        workbook.write(outputStream); // 将工作簿写入输出文件
        System.out.println("Data filling completed."); // 输出信息
    } catch (Exception e) { // 捕获异常
        e.printStackTrace();
    }
}

// 计算KNN邻近算法填充的值
private static double calculateKNN(Sheet sheet, int rowIndex, int columnIndex) {
    List<Double> data = new ArrayList<Double>(); // 存储数据
    for (int i = 0; i <= sheet.getLastRowNum(); i++) { // 对每一行进行处理
        Row row = sheet.getRow(i); // 获取行对象
        if (row != null) {
            Cell cell = row.getCell(columnIndex); // 获取指定列的单元格
            if (cell != null && cell.getCellType() != CellType.BLANK) {
                data.add(cell.getNumericCellValue()); // 将数据添加到列表中
            }
        }
    }
    if (data.size() > 0) { // 如果存在数据
        double missingValue = 0; // 缺失值
        Row row = sheet.getRow(rowIndex); // 获取当前行对象
        if (row != null) {
            Cell cell = row.getCell(columnIndex); // 获取指定列的单元格
            if (cell == null || cell.getCellType() == CellType.BLANK) { // 如果单元格为空
                missingValue = 0; // 缺失值为 0
            } else {
                missingValue = cell.getNumericCellValue(); // 缺失值为单元格中的值
            }
        }
        if (missingValue > 0) { // 如果缺失值大于 0
            return missingValue; // 直接返回缺失值
        } else {
            List<Double> distances = new ArrayList<Double>(); // 存储距离
            for (double value : data) { // 遍历数据
                double distance = Math.abs(value - missingValue); // 计算距离
                distances.add(distance); // 将距离添加到列表中
            }
            Collections.sort(distances, new Comparator<Double>() { // 对距离进行排序
                @Override
                public int compare(Double o1, Double o2) {
                    return Double.compare(o1, o2);
                }
            });
            int k = 3; // 取前三个最近的邻居
            double sum = 0; // 总和
            int count = 0; // 计数器
            for (int i = 0; i < k && i < distances.size(); i++) { // 对前 k 个最近的邻居进行处理
                double value = data.get(distances.indexOf(distances.get(i))); // 获取对应的值
                sum += value; // 累加值
                count++; // 计数器加 1
            }
            if (count > 0) { // 如果计数器大于 0
                return sum / count; // 返回平均值
            } else {
                return 0; // 否则返回 0
            }
        }
    } else {
        return 0; // 如果不存在数据，则返回 0
    }
}

// 解析日期
private static Date parseDate(String dateString) {
    SimpleDateFormat dateFormat = new SimpleDateFormat("yyyy/MM/dd HH:mm"); // 创建日期格式化器
    try {
        return dateFormat.parse(dateString); // 解析日期
    } catch (ParseException e) { // 捕获异常
        e.printStackTrace();
        return null; // 返回 null
    }
}

}

需要注意的是，KNN邻近算法填充的值是根据当前列中的数据计算得出的，因此需要将所有数据存储到列表中，并在计算时进行遍历。此外，为了保证填充的值具有一定的参考性，可以取前 k 个最近的邻居进行计算，这里取 k=3