数据缺失值的3种处理方式，终于有人讲明白了

导读：如何抹掉机器学习的那点空白？

作者：木羊同学

来源：大数据DT（ID：hzdashuju）

01 机器学习的幕后英雄

今天聊一本机器学习方面的有趣的书，书名叫《基于机器学习数据缺失值填补》。要我说的话，数据缺失值填补本身就是个十分有趣的话题。

回忆一下，平时我们聊机器学习都聊什么，聊各种模型的算法和原理，譬如线性回归、朴素贝叶斯、支持向量机，这些都是单独的模型，还有集成模型，譬如随机森林、Xgboost。

在很多人眼里，研究也好，交流也好，聊机器学习就是聊模型，顶多就加上模型训练，譬如超参数设置、损失函数优化、CV等等。也确实在很多人的印象中，机器学习就是和模型打交道，如果把各类机器学习的相关工作围成一个圈的话，圆心一定是模型。

但是，实际工作中往往不是这样。正如我们说软件开发，感觉上码代码是主要工作，但实际上，和客户或者项目组内部的各种会议瞎侃，也就是书本上称之为“需求分析”的，才是最花时间精力的工作。

机器学习也一样，感觉上像是围着模型转，实际花时间最多的地方，往往是很多机器学习教材轻描淡写甚至干脆直接忽略的环节，数据清洗。

我们知道，对机器学习来说，数据非常重要，极端重要，机器学习的模型没有数据，就好比再高档的汽车没有油一样，不管理论设计有多好，也只能老老实实在家里趴窝。那数据从何而来呢？需要经过两步，数据收集和数据清洗。数据清洗是一个很容易被忽视，但又必不可少的环节，而填补缺失值就是这个环节最常见的工作。

数据不完整，有缺失，我们就称之为数据集里包含有缺失值，