缺失值插补（Imputation）方法

在数据分析和机器学习任务中，原始数据常含有缺失值（missing values）。为保证模型训练的完整性与准确性，需对缺失值进行合理处理。其中，插补（Imputation）是一种常用策略，即用估计值填补缺失项。

常见插补方法

• 删除法：直接删除含缺失值的样本或特征。简单但可能损失大量信息，不推荐用于高缺失比例场景。
• 均值/中位数/众数插补：
  • 数值型变量：用该列的均值或中位数填充。
  • 分类变量：用众数（出现频率最高的类别）填充。
  简单高效，但会低估数据方差。
• K近邻插补（KNN Imputation）：基于相似样本的K个邻居的值进行加权平均或投票填补。能保留局部结构，但计算开销较大。
• 回归插补：利用其他完整特征建立回归模型预测缺失值。可能过度拟合，导致方差被低估。
• 多重插补（Multiple Imputation）：生成多个完整数据集，分别建模后汇总结果。能更真实反映不确定性，是统计学推荐方法。
• 基于模型的插补：如使用随机森林、EM算法、矩阵分解（如SVD）或深度学习模型（如自编码器）进行插补，适用于复杂数据结构。

选择建议

选择插补方法应考虑：

• 缺失机制（MCAR、MAR、MNAR）
• 数据类型（数值型、类别型、时间序列等）
• 缺失比例
• 后续建模需求与计算资源

示例代码（Python）

使用 scikit-learn 进行简单均值插补：

from sklearn.impute import SimpleImputer
import numpy as np

data = [[1, 2], [np.nan, 3], [7, 6]]
imputer = SimpleImputer(missing_values=np.nan, strategy='mean')
imputed_data = imputer.fit_transform(data)
print(imputed_data)