数据缺失的递进处理方式

处理数据缺失有四种递进的方式：先定位，定量了解哪些字段缺失、缺失比例多少，再结合业务定性判断这些字段重要不重要；如果缺失字段对分析结果影响很小（比如降维后权重很低的属性），可以选择不处理；如果字段用处不大、或者缺失记录集中在同一类样本（如80%的男性用户都没填年龄）就不适合直接删除，删除会让结论产生偏差；此时更常用的是填补——用业务常识（学生年龄推断）、同类记录的均值/中位数、专家/用户直接询问、或用同一条记录的其他字段推断。发散：这个顺序的核心判断标准始终是”缺失是否集中在某一类样本”，一旦集中，删除法就会系统性地丢失那一类人群的信息，让结论看起来完整实则是残缺的。