缺失值处理方法
综述
1.删除。缺失值达到一定比例后（比例数值主观判断），直接删除吧。因为缺失值填补会在一定程度上改变数据的分布。
2.人工填补法人工智能还是依赖于人工。
3.特殊值处理应用于类别特征存在缺失时，该方法容易理解。数值型特征缺失时，不建议使用。另外使用该方法会改变数据分布，所以并不建议使用。
4.同类填充（我自己命名）。缺失值为类别特征时，分析关联特征，然后进行groupby，使用该分组中的众数进行填充。数值型特征操作方法一致，但是田中方法可以换成均值，中位数，均值与中位数加权和等。
5.就近补齐找最近的，用它的值代替。
6.聚类补齐 使用聚类代替4中的分组，之后的处理方法一样。
7.一瞪眼法某些特征可能和时间等单个变量存在强相关性，利用强相关性的特征进行填充。
8.使用ML模型填充 会引入偏差。
9.多重插补 我的理解是先使用多种方法进行填充，生成多套数据，对多套数据分别进行试验，最后采用最优的数据（填充方法）
自相关检验
缺失值什么模型可以or不可以处理。共线性特征对什么模型存在影响。