缺失值处理（Missing Values）

什么是缺失值？缺失值指数据集中某些变量的值有缺少的情况，缺失值也被称为NA（not available）值。在pandas里使用浮点值NaN（Not a Number）表示浮点数和非浮点数组中的缺失值，用NaT表示时间序列中的缺失值，此外python内置的None值也会被当作是缺失值。需要注意的是，有些缺失值也会以其他形式出现，比如说用0或无穷大（inf）表示。

缺失值产生的原因： a. 数据采集时发生错误

b. 数据提取过程有问题

处理缺失值的方法：

1. 直接删除（Deletion）：如果缺失值非常少，不影响整体数据，那么可以直接删除整条记录（list-wise deletion）。这种方法的优点是简单，缺点是减少了样本数量。

2. 用标量插补（Single Imputation）：如果缺失值比较少，那么可以使用平均值，中位数，众数进行插补。

3. 插值法（Interpolation）：先求得插值函数，然后将缺失值对应的点代入插值函数得到缺失值的近似值。常见插值方法有拉格朗日插值法、分段插值法、样条插值法、线性插值法。

4.  用模型预测（Model-based Imputation）：通过模型来估计缺失值，是处理缺失值比较复杂的方法。 如果缺失值很多，但是比较适用模型预测。在这种情况下，我们将数据集分为两组：一组没有缺失值，另一组有缺少值。 第一个数据集成为模型的训练数据集，而有缺失值的第二个数据集是测试数据集，有缺失值的变量被视为目标变量。 接下来，我们创建一个模型，根据训练数据集的特征预测目标变量，并填充测试数据集的缺失值。我们可以使用线性回归，随机森林，最近邻法，逻辑回归等各种建模技术来执行此操作。

 

这种方法有两个缺点：

• 模型的估计值通常比真实值更好
• 如果数据集中的特征与有缺少值的特征之间没有关系，那么模型估计将不精确。

附：