数据预处理：缺失值处理

1. 前言

数据中的缺失值是个非常棘手的问题，有很多文献都致力于解决这个问题。数据缺失的含义是：假设有$n$个样本，每个样本20个特征。但在一些样本中出于某种原因某个特征无效，则就构不成一个完整的样本。对于这样的问题，有些情况下是不能直接将其抛弃的，对其进行挽救就是缺失值处理

2. 特征中的缺失值处理

（1）使用可用特征的均值来填补缺失值
（2）使用特殊值来填补缺失值，如0
（3）忽略有缺失值的样本（可删除的情况下）
（4）使用相似样本的均值填补缺失值
（5）使用另外的机器学习算法预测缺失值

3. 数据标签缺失处理

（1）直接将该条数据删除
（2）使用Logistic回归进行数据标签预测