缺失值填充的方法及其优缺点

1. 填充常数值

方法：用一个特定的常数（如0或-999）填充缺失值。

优点：

实现简单。
易于理解和实现。
缺点：

可能会引入偏差，特别是如果使用的常数值与实际数据相差较大。

2. 填充平均值/中位数/众数

方法：

均值：对于数值型变量，可以使用列的平均值。
中位数：也可以使用中位数，特别是当数据不是正态分布时。
众数：对于分类变量，可以使用众数。
优点：

比使用常数值更接近真实值。
减少因使用极端值而引入的偏差。
缺点：

忽略了数据的分布特性。
对于非均匀分布的数据，可能会导致模型性能下降。

3. 填充前向/后向填充

方法：

前向填充（ffill）：用前一个非空值填充。
后向填充（bfill）：用后一个非空值填充。
优点：

在时间序列数据中，可以保持趋势信息。
适用于有序数据。
缺点：

如果存在连续的缺失值，则无法填补。
可能会导致重复数据，从而影响分析结果。

4. 插值法

方法：通过数学方法估计缺失值，例如线性插值等。

优点：

能够保留数据的趋势和模式。
更加灵活，可以根据具体情况进行调整。
缺点：

计算复杂度较高。
需要对数据有一定的理解。

5. K最近邻（KNN）

方法：基于相似样本的距离来预测缺失值。

优点：

能够考虑到特征之间的相关性。
更加准确地估计缺失值。
缺点：

计算量大，特别是在高维空间。
需要选择合适的K值。

6. 预测模型

方法：使用回归或其他预测模型来估计缺失值。

优点：

利用更多的信息来进行预测。
可以捕捉到更复杂的模式。
缺点：

需要额外训练模型。
对于小样本可能过拟合。