核心要点
判断缺失机制：MCAR（完全随机）、MAR（条件随机）、MNAR（非随机）
删除法：缺失比例极高或样本充足时整行/整列删除，但可能丢信息或引偏
统计填充：均值/中位数/众数，数值偏态用中位数，类别用众数
高级法：KNN/回归/随机森林等模型预测填充，并加缺失指示位保留信息
标准回答
先判断缺失机制
- MCAR（完全随机缺失）：缺失与任何变量无关，删除或简单填充偏差最小。
- MAR（随机缺失）：缺失与其他观测变量有关，可用其他特征建模填充。
- MNAR（非随机缺失）：缺失与缺失值本身有关（如高收入者拒答收入），最棘手，简单填充会引入系统性偏差，常需加缺失指示位或专门建模。
常用方法
- 删除：缺失比例很高的列、或样本充足时删除含缺失的行。简单但可能丢信息、在非随机缺失下引偏。
- 统计量填充：均值（对称分布）、中位数（偏态/有异常值更稳）、众数（类别）。快但会低估方差、削弱相关性。
- 模型预测填充：用 KNN、回归、随机森林或多重插补（MICE）基于其他特征预测缺失值，更准但成本高。
- 缺失指示位：新增二元列标记是否缺失，让模型学习「缺失」本身的信息，对 MNAR 尤其有用。
选择原则
综合缺失机制、缺失比例与模型类型。XGBoost、LightGBM 等可原生处理缺失，无需手动填充。
常见误区
⚠️ 常见踩坑
别不分机制一律用均值填充——会低估方差、扭曲特征相关性，在 MNAR 下还会引入系统偏差；填充统计量必须只用训练集计算，避免泄漏。
追问
追问 1：均值填充有什么副作用？
均值填充会人为压缩该特征的方差、削弱它与其他变量的相关性，使分布出现一个尖峰，从而低估不确定性、可能误导后续统计推断与模型。中位数对偏态/异常值更稳，但同样有压缩方差的问题。
追问 2：为什么有时要保留「缺失指示位」？
当数据是 MNAR、即「是否缺失」本身携带信息（如未填写收入往往暗示某种特征）时，单纯填充会抹掉这一信号。额外加一个二元指示列让模型显式学习缺失模式，往往能提升预测效果。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。