【缺省值处理】在数据预处理过程中，缺省值（Missing Values）是常见的问题之一。它们可能由于数据采集不完整、系统错误或人为疏漏等原因产生。缺省值的存在会影响数据分析的准确性与模型的性能，因此必须进行合理的处理。
缺省值处理方法总结
| 处理方式 | 说明 | 适用场景 | 优点 | 缺点 |
| 删除法 | 直接删除含有缺省值的记录或列 | 数据量大且缺省比例低时 | 简单易行，不影响后续分析 | 可能导致信息丢失，影响数据完整性 |
| 均值/中位数/众数填充 | 用该列的均值、中位数或众数替代缺省值 | 数值型变量，数据分布较稳定时 | 简单有效，保留数据量 | 可能引入偏差，影响模型精度 |
| 前向填充/后向填充 | 用前一个或后一个非空值填充 | 时间序列数据或有序数据 | 保留时间趋势，适用于连续数据 | 对随机缺失效果差 |
| 回归填充 | 利用其他变量建立回归模型预测缺省值 | 多个变量相关性较强时 | 提高数据完整性，更合理 | 计算复杂，依赖变量间关系 |
| 插值法 | 通过插值算法（如线性插值、样条插值）填补缺省值 | 时间序列或连续数据 | 保持数据连续性 | 对非连续数据效果不佳 |
| 模型预测 | 使用机器学习模型（如KNN、随机森林）预测缺省值 | 数据结构复杂时 | 预测准确度高 | 计算成本高，需调参 |
总结
缺省值处理是数据清洗中的关键步骤，选择合适的方法取决于数据类型、缺失模式以及业务背景。在实际应用中，通常建议先对数据进行探索性分析，了解缺省值的分布和原因，再结合具体情况选择最合适的处理方式。对于重要变量，应谨慎处理，避免因简单填充导致分析结果失真。
