在数据科学和机器学习领域，数据预处理是一个至关重要的步骤。缺失值是数据集中常见的问题，它们可能因为多种原因出现，比如数据录入错误、设备故障或参与者未提供信息。缺失值的存在会影响统计分析的结果，导致偏差或错误的结论。因此，合理处理缺失值对于构建准确和有效的模型至关重要。本文将探讨几种处理数据集中缺失值的策略。
数据集中的缺失值指的是一个或多个变量或观测值的数据缺失。这种情况可能由多种原因引起，包括数据录入错误、设备故障或参与者未提供信息。缺失值可能会影响统计分析，导致结果出现偏差或错误。因此，适当处理缺失值非常重要，可以通过删除它们或使用插补方法来估计它们的值。
缺失完全随机（MCAR）：当数据是MCAR时，缺失是随机发生的，缺失值与观测到的数据之间没有关系。换句话说，所有观测值缺失值的概率是相同的，与它们的值无关。
缺失随机（MAR）：当数据是MAR时，缺失不是随机的，但可以通过其他观测变量来解释。换句话说，缺失值的概率取决于观测到的数据，而不是缺失的数据本身。
缺失非随机（MNAR）：当数据是MNAR时，缺失不是随机的，也不能通过其他观测变量来解释。换句话说，缺失值的概率取决于缺失的数据，如果不妥善处理，可能会导致结果出现偏差或错误。
让考虑一个包含三个独立特征（预测变量）和一个依赖特征（响应变量）的虚拟数据集。
Feature-1 Feature-2 Feature-3 Output
男 23 24 是
—— 24 25 否
女 25 26 是
男 26 27 是
在这个例子中，在第二行的Feature-1中有一个缺失值。机器学习社区常用的处理数据集中分类变量缺失值的方法如下：
如果数据集中的观测值数量很大，且所有要预测的类别在训练数据中都有充分的代表，那么尝试删除包含缺失值的观测值，这不会对模型输入产生显著变化。例如，可以删除包含缺失值的整行（删除第二行）。
总是可以根据分类变量的众数来插补它们，只是要确保没有一个高度倾斜的类别分布。注意：但在某些情况下，这种策略可能会使数据在类别方面失衡，如果数据集中有大量的缺失值存在。通常，用均值/中位数/众数替换缺失值是一种粗略的处理缺失值的方法。根据上下文，如果变化很小或者变量对响应的影响很小，这种粗略的近似是可以接受的，并且可以给出满意的结果。在这种情况下，因为说的是分类变量，这一步可能不适用。
例如，要实现这种方法，用该列最频繁的值替换缺失值，这里用“男”替换缺失值，因为“男”的数量多于“女”（男=2，女=1）。