大家好，我是茉莉，做了十年数据清洗工作，最喜欢用最简单的法子解决最头疼的问题，今天就来和大家聊聊数据集里那些闹心的"空白格"到底该怎么收拾。

开门见山说，处理缺失值就像在拼图上补缺口，关键要搞懂这三个事：缺口有多大？缺口在哪？补什么图案？比如网购数据里用户年龄缺了10%，和医疗数据里血压值缺了30%，处理方式绝对不同，下面直接上干货，讲七种接地气的处理办法：

直接删除法（适合心狠手辣的新手）

举个真实例子：某外卖平台分析配送时长，原始数据10万条，其中有2000条缺失骑手接单时间，这些记录不仅接单时间空缺，连送达时间、配送距离也都空白，这种情况直接删掉最省事。

但要注意三点：

1、删除比例别超过总数据量5%

2、删除后要做t检验，确认剩余数据分布没变

3、切忌在时间序列数据里直接删除

平均值填补法（最常用的笨办法）

去年帮银行处理信用卡申请数据，月收入字段缺失8%，把现有客户的收入平均值（6800元）填进去，简单粗暴但有效，但遇到下面这种情况就要翻车：某个小区房价数据，20套豪宅的价格空缺，用均价补就会严重低估。

众数填补法（分类变量的救星）

处理过某化妆品问卷数据，皮肤类型字段有15%缺失，调查发现油性皮肤占比62%，果断填入"油性"，就像班里40人，30个戴眼镜，给缺席学生的视力情况填"近视"更合理。

热卡填补法（找双胞胎）

在医疗数据处理时遇到妙用：某患者缺失空腹血糖值，就在同年龄段、同性别、同体重的患者里找个"双胞胎"，复制他的血糖值，去年处理糖尿病患者数据，用这法子补了300多条记录。

模型预测法（高阶操作）

给某共享单车公司做的案例：用天气、温度、星期几等完整数据训练回归模型，预测缺失的骑行量，效果虽好但要注意：预测值会让数据方差变小，就像美颜相机把皱纹都磨没了，容易误判真实情况。

虚拟变量法（分类变量的障眼法）

处理电商用户性别缺失时，直接新增"性别缺失"这个分类，有个有趣发现：不填性别的用户客单价反而比填写的用户高18%，后来发现这类用户多是买隐私商品的。

多重填补法（学霸专用）

最近帮研究所处理环境监测数据，对PM2.5缺失值同时生成5个填补版本，就像画坏了的线稿，临摹五个不同版本继续上色，最后取共同效果，虽然复杂但最接近真实情况。

常见误区提醒：

1、别用平均值填分类变量（比如把缺失的水果类型填成"苹果/香蕉的平均值"）

2、时间序列数据别用前后均值（特别是存在周期性波动时）

3、超过30%缺失率的变量建议直接放弃治疗

4、文本数据别乱填"无"（可能造成语义混乱）

进阶提示：

处理前先画缺失值分布图，就像看病先拍X光，用Python的missingno矩阵图，一眼就能看出缺失模式：是随机缺失？还是整块整块缺失？去年处理租房数据时发现，但凡中介自己挂的房源都缺失楼层信息，这才揭穿中介虚报房源的黑幕。

最后说个冷知识：最好的数据清洗其实是预防，设计问卷时把必填项标红，系统录入时做实时校验，比事后补漏强十倍，上周帮培训机构改报名表，把可选填的"紧急联系人"改成必填，缺失率直接从17%降到0.3%。

处理缺失值就像做菜放盐，少了没味，多了齁嗓子，关键要看菜式（数据类型）、食客口味（分析目标）、厨师手艺（处理技巧），记住没有万能钥匙，但备齐这七把工具，足够应对90%的日常问题，处理完记得要做敏感性分析，就像炖汤最后要尝一口咸淡。