eviews如何处理缺失数据填补_数据清洗：缺失数据处理

在数据清洗过程中，主要处理的是缺失值、异常值和重复值。所谓清洗，是对数据集，进行丢弃、填充、替换、去重等操作，实现去除异常、纠正错误、补足缺失的目的。数据缺失一般分两种：一是行记录的缺失，这种情况又称为记录丢失；二是数据列值的缺失，即由于各种原因导致的数据记录中某些列的值空缺，不同的数据存储和环境中对于缺失值的表示结果也不同，例如，数据库中是NULL，Python返回对象是None,Pandas或Numpy中NaN（值得注意的是，在极少数状态下，缺失值也会使用空字符串来代替，但空字符串绝对不同于缺失值）

方法一：丢弃

这种方法简单明了，直接删除带有缺失值的行记录（整行删除）或者列字段（整列删除），减少趋势数据记录对总体数据的影响。但丢失意味着会消减数据特征，以下任意一种场景都不宜采用丢弃的方法：1）数据集总体存在大量的数据记录不完整情况，且比例较大，例如超过10%，删除这些带有缺失值的记录意味着将会损失过多有用信息。2）带有缺失值的数据记录大量存在着明显的数据分布规则或特征，例如带有缺失值的数据记录的目标标签主要集中于某一类或几类，导致模型过拟合或分类不准确。

方法二：补全

相对于丢弃而言，补全是更加常用的缺失值处理方