什么是 Imputation？
Imputation（中文常译为“插补”或“填补”）是统计学和数据科学中的一个术语，指对数据集中缺失值进行合理估计并填充的过程。
常见翻译
- 插补
- 填补
- 缺失值插补
- 数据填补
常用 Imputation 方法
在实际数据分析中，常见的 imputation 方法包括：
- 均值/中位数/众数填补：用该变量的均值、中位数或众数替换缺失值。
- 前向/后向填充：适用于时间序列数据，使用前一个或后一个观测值填补。
- K近邻插补（KNN Imputation）：基于相似样本的值进行估计。
- 多重插补（Multiple Imputation）：生成多个可能的填补值以反映不确定性。
- 模型预测法：使用回归、随机森林等模型预测缺失值。
应用场景
Imputation 广泛应用于：
- 机器学习数据预处理
- 社会调查数据分析
- 医疗健康记录整理
- 金融风控建模
注意事项
不当的插补可能导致偏差或误导性结论。建议根据数据缺失机制（MCAR、MAR、MNAR）选择合适方法，并评估插补效果。