什么是数据插补？
数据插补（Imputation）是指在数据集中存在缺失值时，使用某种策略或算法来估计并填充这些缺失值的过程。 它是数据预处理中的关键步骤，有助于提升后续分析或建模的准确性与稳定性。
常见的插补方法
- 均值/中位数/众数插补：用该特征的均值、中位数或众数填充缺失值。
- 前向填充 / 后向填充：适用于时间序列数据，用前一个或后一个观测值填充。
- K近邻插补（KNN Imputation）：基于相似样本的值进行估算。
- 回归插补：利用其他变量建立回归模型预测缺失值。
- 多重插补（Multiple Imputation）：生成多个完整数据集以反映不确定性。
为什么需要插补？
大多数机器学习算法无法直接处理缺失数据。若不处理缺失值，可能导致模型训练失败、结果偏差或信息丢失。 合理的插补不仅能保留更多样本，还能减少因删除缺失样本带来的信息损失。
注意事项
插补并非万能。不当的插补方法可能引入偏差、掩盖数据的真实分布，甚至误导分析结论。 因此，在选择插补策略前，应充分理解数据缺失机制（如完全随机缺失 MCAR、随机缺失 MAR、非随机缺失 MNAR）。