想象你是年夜饭的主厨，面前摊开一张采购单：每一行是一道菜，每一列是一种配料。可清单上总有几格空着——糖醋排骨的“糖”没写克数，酸菜鱼的“酸菜”用量被酱油浸花了。这就是缺失值：数据表里那些空荡荡的格子。直接把缺料的菜划掉？客人爱吃的菜没了。随便填个数？整桌菜的味道都毁了。好在老主厨们有一套“补料哲学”：先弄清楚空格是怎么来的，再决定是划掉菜、借邻居的料、按配方推算，还是请几位师傅各补一版。这就是缺失值插补——用合理数值填补空缺，最大程度保住数据里的信息。从均值填补到 KNN、回归、多重插补，这篇文章带你把这套厨房经验变成建模手艺。

岗位关联

缺失值插补是特征工程的基本功。学会它，你就能在数据清洗环节少丢信息、少引偏差，让后续每个模型都站在更扎实的数据地基上，是 AI 从业者必备的“救场”能力。

目录
  1. 可视化演示
  2. 缺失值认知
  3. 缺失机制
  4. 处理策略
  5. 简单填补法
  6. KNN插补
  7. 回归插补
  8. 多重插补
  9. 实战选型
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示数据缺失场景下不同插补策略的效果：从原始缺失数据到均值填补、KNN近邻插补、回归插补，直观对比各方法的填充质量与偏差。

本节配有交互动效（进入视口后自动加载，约 3KB）。

原始数据缺失分布 实心点为完整数据空心点为缺失值 缺失率18%直接影响建模质量 选择插补方法查看填充效果

缺失值认知

年夜饭前夜，主厨老张对着采购单发愁：二十道菜的配料清单里，有几格是空的——糖醋排骨的“糖”没写克数，酸菜鱼的“酸菜”用量模糊不清。表格就是数据集的缩影：每一行是一道菜（样本），每一列是一种配料（特征），空着的格子就是缺失值。任何真实数据采集都免不了留下空格——患者病历漏掉血压，信贷申请表漏掉收入，传感器在断电的那几分钟没记录。这些空单元格在程序里通常用 NaN 或 null 表示，而大多数机器学习算法无法直接吞下它们，就像没写用量的菜谱没法直接开火。

缺失值带来的麻烦有两层。其一是信息量损失：你辛苦记录了十几列完整信息，却因为一列空白，整行样本在很多算法里都派不上用场。其二是偏差风险：如果空白不是随机出现的——比如高收入人群总是不填收入——那么无视它，模型就会偷偷学偏。工程上，用 df.isna().sum() 可以快速盘点每个特征各缺多少，这一步叫“缺失值探测”，它是所有补救工作的起点。

老张要做的第一件事不是急着补料，而是把采购单摊开，数清楚到底哪几道菜缺料、缺了多少。认识缺失值，是补料的第一步。

缺失机制

老张凑近采购单，发现空格的来历各不相同：一张菜谱被酱油瓶打翻浸湿了一角，三个格子糊成一团——这纯粹是意外；标注“特辣”的几道菜，辣度栏总是空着——空格似乎和已填的口味档位有关；还有一道“祖传秘方”菜，关键配料栏永远空白，因为只有老张自己知道用量——空格和缺失的值本身直接相关。统计学家把这三类情况称为 MCAR、MAR 和 MNAR。

MCAR（完全随机缺失）：缺失与否和任何数据都无关，就像那角被酱油浸湿的菜谱，纯属天灾。MAR（随机缺失）：缺失与已观测到的其他变量有关，但与缺失值本身无关——辣度栏空不空，取决于是否标注了“特辣”，而特辣是已经观测到的信息。MNAR（非随机缺失）：缺失与否与缺失值本身有关——秘方配料从不写出来，恰恰因为它是“秘方”。MCAR 是理想情形，删行损失最小；MAR 是多数插补方法能处理的范围；MNAR 最棘手，常需结合业务知识单独建模。

如何判断机制？实务中常比较“缺失组”和“完整组”在其他变量上有没有显著差异——比如辣度缺失的菜是不是清一色标了特辣。再有就是业务经验。老张明白了：酱油浸湿的格子可以直接扔掉重写（删除），特辣菜的空格能参照同类菜谱补上（插补），但“秘方”那一栏，任何人都没法替他填——机制决定了补救的可能性和代价。

P(Rij=1∣Xij)=P(Rij=1)\displaystyle P(R_{ij}=1 \mid X_{ij}) = P(R_{ij}=1)
这个公式刻画 MCAR：某个格子是否缺失（R=1）的概率，与它本应填的数值 X 无关。左边是“已知数值后缺失的概率”，右边是“整体缺失率”，两者相等，说明缺失纯属随机。
  1. 缺失指示变量R 下标 ij 表示“第 i 行第 j 列是否缺失”，取 1 代表缺失，取 0 代表已观测。
    Rij∈{0,1}R_{ij} \in \{0, 1\}
  2. 条件概率P(R=1 | X) 读作“给定数值 X 的条件下发生缺失的概率”，它刻画缺失是否依赖数值本身。
    P(Rij=1∣Xij)P(R_{ij}=1 \mid X_{ij})
  3. MCAR 的等式如果这个条件概率恒等于整体缺失率，说明缺失和数值无关，即完全随机缺失。
    P(Rij=1∣Xij)=P(Rij=1)P(R_{ij}=1 \mid X_{ij}) = P(R_{ij}=1)

处理策略

面对空格，老张有三条路：把缺料的菜从菜单上划掉——这是删除法；翻其他菜谱找替代用量——这是填补法；或者干脆凭老经验模糊估计，让炉火大小去将就——这是不处理。三条路各有利弊，得看缺料的情况来选。

删除法是最朴素的对策：删除含缺失值的整行（listwise deletion），甚至整列（当某列缺失过多时）。它适合缺失比例低（一般 <5%）且机制为 MCAR 的场景。缺点也很明显：删行损失样本量，删列损失特征信息。填补法则是用合理数值替换空格，是这篇文章的主角，从简单的均值到复杂的多重插补都属于它。不处理方案听起来偷懒，却有道理可讲：部分树模型（如 XGBoost、LightGBM）在训练时能自动学习“缺失方向”作为分裂依据，天然容忍缺失；但线性回归、神经网络等绝大多数模型做不到，遇到缺失只会报错或学偏。

一个务实的经验口诀：缺失比例 <5% 且 MCAR，删除行可接受；5%~20%，优先填补；>20%，这个特征的信息价值要大打折扣，考虑删列或上更复杂的插补。填补绝不是越复杂越好，要综合权衡数据量、缺失机制和下游任务。老张最终决定：那道缺料太多又冷门的菜划掉，主力硬菜用填补法救回来——删除和填补从来不是对立的，而是一套组合拳。

简单填补法

最省事的替补方案，是去超市买一包“万能调味料”：不管缺的是糖是盐，都按整个厨房平时的平均用量倒进去。这就是均值填补的直觉——用一列已观测值的平均水平去顶替空缺。对数值型特征，常用均值或中位数：均值对异常值敏感，中位数更稳健——比如收入列被几个富豪拉高时，中位数才代表普通人。对分类型特征，则用众数填补，也就是“出现次数最多的类别”，相当于“大家都选它，空了也选它”。在 sklearn 里，SimpleImputer 一行就能搞定，strategy 参数设为 'mean'、'median' 或 'most_frequent' 即可。

简单填补有隐蔽的副作用：它把所有缺失值都填成同一个数，等于把分布的“尾巴”剪掉，压缩方差，让分布“变瘦”；更麻烦的是，补进去的值跟其他特征没有任何联动，会削弱特征间的相关关系。缺失率低时应急尚可，缺失多或后续要做因果分析就必须慎重。万能调味料能救急，但全桌菜都是一个味儿——老张知道，真要还原糖醋排骨的风味，得去看看“做法最接近的菜”是怎么用糖的。

x^ij=xˉj=1nj∑t=1njxtj\displaystyle \hat{x}_{ij} = \bar{x}_j = \frac{1}{n_j}\sum_{t=1}^{n_j} x_{tj}
公式说的是：第 j 列有空缺的那个格子，用该列所有已观测值的算术平均来填。n_j 是这一列“没缺”的样本个数。
  1. 待填补值带上帽子的 x 表示“估计出来的值”，而不是真实观测值。
    x^ij\hat{x}_{ij}
  2. 均值记号x̄_j 是第 j 列的平均值，右边把它的计算过程展开了。
    xˉj\bar{x}_j
  3. 求和累加把第 j 列所有没缺失的观测值逐个相加，下标 t 从 1 数到 n_j。
    ∑t=1njxtj\sum_{t=1}^{n_j} x_{tj}
  4. 除以个数用总和除以已观测个数，得到“代表性数值”填进空格。
    1nj∑t=1njxtj\frac{1}{n_j}\sum_{t=1}^{n_j} x_{tj}

KNN插补

老张灵光一现：糖醋排骨缺糖？去问问厨房里做法最像的几道菜——比如同属酸甜口的菠萝咕咾肉、鱼香肉丝——它们用了多少糖，再按接近程度加权折算过来。这就是 KNN（K 近邻）插补的思想：找最相似的样本，借它们的值来补。

KNN 插补的具体做法是：对每个含缺失值的样本，先找到与它最相似的 K 个完整样本，再用这些邻居在缺失列上的数值做加权平均，作为填补值。这里的“相似”靠距离度量，数值特征常用欧氏距离或曼哈顿距离。一个细节：如果目标样本的其他列也有缺失，距离计算要限定在“两边都齐”的维度上，不能拿缺失当 0 去算。sklearn 的 KNNImputer 实现了这一逻辑，n_neighbors 参数控制 K。

K 怎么选？太小容易被单个邻居的噪声带偏，太大又把相距甚远的样本也拉进来搅局，一般用交叉验证在 3~10 之间挑。KNN 插补不需要假设特征间的函数关系，擅长捕捉局部模式，但数据量大时计算距离的开销不低。借邻居的料比万能调味料讲究多了——酸甜口的菜之间确实有套路，老张看着邻居菜的用量，心里有了底。

x^ij=∑k=1Kwk yk∑k=1Kwk,wk=1dk+ϵ\displaystyle \hat{x}_{ij} = \frac{\sum_{k=1}^{K} w_k \, y_k}{\sum_{k=1}^{K} w_k}, \qquad w_k = \frac{1}{d_k + \epsilon}
这是 KNN 插补的核心算式：找到 K 个邻居，每个邻居在缺失列上的值 y_k 按权重 w_k 加权求和，再除以权重总和。权重是距离 d_k 的倒数——离得越近，话语权越大。
  1. 邻居的值y_k 表示第 k 个近邻在缺失那一列上的真实观测值，它们是待加权平均的“素材”。
    yky_k
  2. 距离度量d_k 表示缺失样本与第 k 个邻居在完整维度上的距离，距离越小说明两道菜做法越像。
    dk=∥xi−x(k)∥d_k = \|\mathbf{x}_i - \mathbf{x}_{(k)}\|
  3. 权重设计权重取距离倒数，再加一个极小正数 ε 防止分母为 0。
    wk=1dk+ϵw_k = \frac{1}{d_k + \epsilon}
  4. 加权平均分子是权重乘以邻居值再求和，分母是权重之和，二者相除得到最终估值。
    x^ij=∑k=1Kwkyk∑k=1Kwk\hat{x}_{ij} = \frac{\sum_{k=1}^{K} w_k y_k}{\sum_{k=1}^{K} w_k}

回归插补

更进一步，老张把全厨房的菜谱都翻出来，发现糖的用量其实和醋、酱油、料酒的用量存在稳定的数量关系。他让最会配比的老师傅总结出一条“公式”，再用这条公式去推算缺糖的菜。这就是回归插补：把特征间的关系变成定量方程，用方程补空缺。

回归插补的流程很清晰：把缺失列当作目标变量，其他完整列当作特征，用完整样本训练一个回归模型（线性回归、随机森林都可以），然后对缺失样本做预测，把预测值填进空格。它利用的是整个数据集里特征间的全局关系，比 KNN 的“局部相似”更有全局观，推理速度也更快。sklearn 的 IterativeImputer 可以把这种思路推广到多列循环插补。

回归插补有个隐患：预测值全部落在回归线上，方差被压缩，模型会“过度自信”。改进手法是加入随机扰动——预测值加上一个服从残差分布的随机项；更稳健的是 PMM（预测均值匹配），在预测值附近找一个真实观测值来替换，既保留相关性又保住分布形状。和 KNN 相比：KNN 擅长局部非线性模式，回归更擅长刻画全局线性趋势。老师傅的公式给了一个精确数字，但老张明白：配方是死的，火候是活的——给预测值加点“手抖”的随机扰动，补出来的菜才不至于千篇一律。

x^ij=β0+∑c≠jβc xic\displaystyle \hat{x}_{ij} = \beta_0 + \sum_{c \neq j} \beta_c \, x_{ic}
公式表达的是：第 i 个样本在 j 列上的缺失值，等于一个截距项 β₀ 加上它在其他所有列上的值 x_ic 乘上各自系数 β_c 的总和——就像老师傅用醋、酱油、料酒的用量来推算糖的用量。
  1. 目标变量把缺失的那一列当作“被预测的菜”，其他列当作“已知配料”。
    x^ij\hat{x}_{ij}
  2. 截距项β₀ 是回归线的截距，代表其他配料都为零时糖的基础用量。
    β0\beta_0
  3. 特征加权和对每个非缺失列 c，取值 x_ic 乘上系数 β_c 后全部加起来，β_c 反映了该列对缺糖量的贡献大小。
    ∑c≠jβc xic\sum_{c \neq j} \beta_c \, x_{ic}

多重插补

最讲究的做法，是老张请来 m 位经验不同的老师傅，每人独立地把整张菜谱补全一遍，做出 m 桌“模拟菜”。最后统计所有师傅在糖醋排骨这道菜上给出的糖量，取均值作为最终答案，同时留意师傅们意见的分歧——分歧本身就是不确定性。这就是多重插补（Multiple Imputation）。

标准流程叫 MICE（链式方程多重插补）：第一步，对每个含缺失的列，用一个插补模型（回归、KNN、贝叶斯岭都可以）在链式迭代中互相预测，生成 m 份完整数据集；第二步，对每份数据分别做下游分析，比如训练模型或计算统计量；第三步，用 Rubin 法则把 m 个结果合并成最终的估计和方差。Python 里 statsmodels 的 MICE、fancyimpute、miceforest 都有实现。

多重插补的优点：既给出点估计，又通过方差合成量化了“补得有多没把握”，标准误更可信。代价是计算量大、实现复杂、参数多，不适合大规模数据上的快速迭代。它适合缺失机制为 MAR、缺失比例较高、且后续要做统计推断的场景。m 位师傅比一位老师傅可靠——分歧大时，老张就知道这道菜“补得没把握”，宁可用保守配方。多重插补贵，但买的是放心。

Q^=1m∑t=1mQ^(t)\displaystyle \hat{Q} = \frac{1}{m}\sum_{t=1}^{m} \hat{Q}^{(t)}
合并估计的公式很朴素：m 份插补数据集各自算出一个估计值 Q^(t)，取算术平均得到最终答案。但多重插补的精华不在这个平均数，而在它还能用“组间方差 + 组内方差”合成不确定性，给出更诚实的标准误。
  1. m 份插补集先生成 m 份完整数据集，第 t 份用 D^(t) 表示，它们彼此独立。
    {D(1),D(2),…,D(m)}\{D^{(1)}, D^{(2)}, \dots, D^{(m)}\}
  2. 每份的估计对第 t 份数据做下游分析，得到一个估计量 Q^(t)，比如回归系数或均值。
    Q^(t)\hat{Q}^{(t)}
  3. 取平均合并把所有估计量加起来除以 m，得到最终的合并估计。
    Q^=1m∑t=1mQ^(t)\hat{Q} = \frac{1}{m}\sum_{t=1}^{m} \hat{Q}^{(t)}

实战选型

距离开饭只剩两小时。老张把经验整理成一张决策表：缺料不到 5% 且纯属意外——直接划掉；缺料三五成但有规律——参考相似菜谱（KNN）；缺的是主料且做法有固定配比——用老师傅公式（回归）；缺料多、客人又讲究、还想知道把握多大——请 m 位师傅（多重插补）。选择方法，本质是在“省事、保真、求稳”之间找平衡。

落到实践，选型要过四道关。第一关看缺失机制：MCAR 可删可简单填；MAR 适合 KNN、回归、多重插补；MNAR 必须结合业务知识。第二关看缺失比例：<5% 删行或均值；5%~20% 用 KNN 或回归；>20% 考虑多重插补，或评估是否直接删列。第三关看变量类型：数值特征用均值、中位数、KNN、回归；分类特征用众数或按类别比例插补。第四关看下游任务：纯预测可以粗补，统计推断建议多重插补。

工具有三档：入门用 sklearn 的 SimpleImputer、KNNImputer、IterativeImputer；进阶用 fancyimpute；研究向用统计包（R 的 mice、statsmodels 的 MICE）。插补完成后要留一手验证：对比插补前后的分布是否合理；故意遮掉一些真实值当测试集，看插补能不能猜准；检查是否引入异常值。老张最后拍板：冷门菜划掉，硬菜用 KNN，招牌菜请三位师傅多重插补。一桌年夜饭准时开席——数据清洗这件事，从来不是“最贵的最好”，而是“合适的最好”。

AI 应用场景

医疗电子病历补全

阶段：数据预处理 / 特征工程

解决的问题：病历中的身高、体重、血压、实验室指标常因护士漏录、设备故障而缺失。直接删除整行会丢掉大量诊断信息；乱填则会误导疾病风险评估。用 KNN 插补按年龄、性别、主诊断等特征寻找相似患者，用他们的指标估计缺失值，再配合多重插补评估不确定性。

具体案例：某三甲医院构建糖尿病并发症预测模型时，1.2 万份病历里 18% 存在至少一个指标缺失。团队先用 MICE 生成 10 份插补数据集，分别训练模型后用 Rubin 法则合并预测概率，模型 AUC 比“均值填补”方案提升了约 4 个百分点，且预测区间更可信。

银行信贷风控补录收入

阶段：特征工程与建模

解决的问题：信贷申请表中“月收入”缺失率常达 10%~25%，且高收入者更不愿填写，属于 MNAR 与 MAR 的混合。直接删除会丢掉申请人的其他信用特征；均值填补会严重低估收入方差，影响额度测算。采用“回归插补 + 随机扰动”并保留缺失指示变量，让模型自己学习“不愿填收入”这个行为信号。

具体案例：某消费金融公司用梯度提升树做违约预测，对收入缺失样本使用 PMM 插补，并在特征中加入 is_income_missing 标识，模型 KS 值从 0.38 提升到 0.43，同时避免了均值填补导致的收入分布坍缩。

用户画像与问卷清洗

阶段：数据采集后处理

解决的问题：用户注册时年龄、性别常留空，问卷里的“月消费额”因隐私顾虑缺失。数据量上千万级时，KNN 全量算距离不现实。实用策略是组合拳：先评估高缺失列的价值，性别用众数兜底，消费额用回归插补，最后用抽样验证插补质量。

具体案例：某电商平台做用户分群时，约 30% 用户缺少“月消费额”。团队先按是否填写拆成两个子群对比分布，发现填写者消费显著更高，于是对缺失单独建模，避免插补掩盖“沉默用户”的真实行为模式。

Python 演示

python54 行
import numpy as np  def mean_impute(X):    """用每列均值填补缺失值（万能调味料方案）"""    X = X.astype(float).copy()    for j in range(X.shape[1]):        col = X[:, j]        mask = np.isnan(col)        if mask.any():            col[mask] = np.nanmean(col)        X[:, j] = col    return X  def knn_impute(X, k=3):    """用 K 个最近完整样本的加权平均填补缺失值（借邻居的料）"""    X = X.astype(float).copy()    n_rows, n_cols = X.shape    complete = [r for r in range(n_rows) if not np.isnan(X[r]).any()]    for i in range(n_rows):        row = X[i]        if not np.isnan(row).any():            continue        known = [c for c in range(n_cols) if not np.isnan(row[c])]        for j in range(n_cols):            if not np.isnan(row[j]):                continue            if not known or len(complete) < 1:                X[i, j] = np.nanmean(X[:, j])                continue            diff = X[np.ix_(complete, known)] - row[known]            dists = np.sum(diff ** 2, axis=1)            top = np.argsort(dists)[:k]            weights = 1.0 / (dists[top] + 1e-8)            X[i, j] = np.sum(weights * X[complete, j][top]) / np.sum(weights)    return X  if __name__ == "__main__":    rng = np.random.RandomState(42)    X_true = rng.rand(30, 3)    X_miss = X_true.copy()    mask = rng.rand(*X_true.shape) < 0.2    X_miss[mask] = np.nan    print("缺失比例:", round(np.isnan(X_miss).mean(), 3))     X_mean = mean_impute(X_miss)    X_knn = knn_impute(X_miss, k=3)    mse_mean = np.mean((X_mean - X_true) ** 2)    mse_knn = np.mean((X_knn - X_true) ** 2)    print("均值填补 MSE:", round(mse_mean, 4))    print("KNN 插补 MSE:", round(mse_knn, 4))    print("结论: KNN 插补利用了特征间关系, 误差更小")
目的：在一个人造数据集上故意制造 20% 的缺失，分别用均值填补和 KNN 插补修复，再与真实值对比 MSE，直观看出“借邻居的料”比“万能调味料”更接近真相。
  1. mask = rng.rand(*X_true.shape) < 0.2随机生成约两成的缺失位置，对应 MCAR 机制。
  2. np.isnan(col)找出这一列里所有空缺的格子，只补缺的地方。
  3. col[mask] = np.nanmean(col)用该列已观测值的均值填进所有空格，是均值填补的核心一行。
  4. complete = [r for r in range(n_rows) if not np.isnan(X[r]).any()]先筛出“完全没缺”的样本作为邻居池，保证距离可算。
  5. known = [c for c in range(n_cols) if not np.isnan(row[c])]确定目标样本哪些维度已知，距离只在已知维度上量。
  6. diff = X[np.ix_(complete, known)] - row[known]邻居池与目标样本在已知列上的差值矩阵。
  7. top = np.argsort(dists)[:k]挑距离最小的 K 个邻居的索引。
  8. weights = 1.0 / (dists[top] + 1e-8)距离越近权重越大，这就是“加权平均”里的“加权”。
  9. X[i, j] = np.sum(weights * X[complete, j][top]) / np.sum(weights)按权重合成邻居取值，填入空格。

常见误区

误区数据里有缺失值，直接把包含缺失的行删掉不就行了？删完数据干干净净，建模也不会报错，这是最稳妥的默认做法。

正解删除只有在缺失比例低（<5%）且机制为 MCAR 时才损失较小。若缺失是 MAR 或 MNAR，删除会系统性丢掉“不填的人”，引入选择偏差。好比把缺料的菜整道划掉，客人爱吃的菜没了，菜单就再也代表不了客人的真实口味。

为何常见：删除操作最简单直观，而且很多入门教程的第一反应就是“清洗”，小白容易把删除当成默认动作。

误区平均值是数据最典型的代表，用均值填空缺肯定没错，而且复杂度最低，是所有方法里最稳妥的兜底方案。

正解均值填补会压缩方差、削平分布，还会让补进去的值与其他特征“零关联”，破坏变量间的相关结构。缺失率一高，模型会严重低估不确定性。它适合低缺失率下的应急，而不是“最安全”的默认选项。

为何常见：日常生活中“取平均”就是衡量典型水平的常规操作，这个直觉被顺理成章地迁移到了数据处理里。

误区KNN 插补就是找 K 个最近的样本，把它们的值加起来除以 K 就完事了，跟投票一样一人一票。

正解标准的 KNN 插补是距离加权平均——越近的邻居贡献越大，权重通常是距离的倒数。如果直接算术平均，远处邻居和近邻一视同仁，插补精度会明显下降。此外，距离计算还要避开两边都缺失的维度，不能把缺的值当成 0 去算。

为何常见：分类场景里的 KNN 是“少数服从多数”的平权投票，初学者容易把分类的投票逻辑平移到插补的加权逻辑上。

误区多重插补只是把插补流程多跑几遍，最后求个平均值，本质上跟填一次没区别，纯属增加计算量。

正解多重插补的核心价值不在平均值，而在方差合成——它用“组间差异 + 组内差异”来量化“我们有多不确定这个补出来的值”，从而给出更诚实的标准误和置信区间。取平均只是 Rubin 法则的一半，另一半才是它的灵魂。

为何常见：只盯着合并公式里的均值部分，忽略了背后的方差合成，自然以为它只是“重复的均值填补”。

误区只要把缺失值都用算法补上了，数据集就完美了，后面直接跑模型就行，没必要再回头看插补效果。

正解插补是有假设的（尤其假设 MAR），补完必须验证：对比插补前后分布是否合理、故意藏起一些真实值评估插补误差、检查是否引入异常值。就像老张补完菜谱要先试菜，不能只看纸面数字。

为何常见：数据清洗流程的“终点感”让人放松警惕，忽视了插补本身也是一个需要评估的建模步骤。

面试题

Q1. 下列哪种情况属于完全随机缺失（MCAR）？

单选题 · easy

  • A.收入越高的人越不愿填收入
  • B.纸张破损导致部分问卷数据丢失← 正确答案
  • C.女性更倾向不填身高数据
  • D.疾病患者漏填某项指标

答案：B。MCAR 指缺失与任何数据都无关。纸张破损是纯粹意外，符合 MCAR。A、C、D 的缺失都和样本自身属性有关，分别属于 MNAR 或 MAR。

Q2. 对分类特征的缺失值，最常用的简单填补法是？

单选题 · easy

  • A.均值填补
  • B.中位数填补
  • C.众数填补← 正确答案
  • D.回归插补

答案：C。分类特征没有“平均”的概念，均值和中位数只适用于数值特征。众数（出现最多的类别）是分类变量的合理“代表”，回归插补则属于更复杂的模型方法。

Q3. KNN 插补与均值填补相比，主要优势是？

单选题 · easy

  • A.实现代码更简单
  • B.利用特征间的关系信息← 正确答案
  • C.运行速度更快
  • D.不依赖距离计算

答案：B。均值填补只用了单列的集中趋势，KNN 插补通过距离度量借用了其他特征的信息，补出来的值能和整体模式吻合。代码和速度方面 KNN 反而更复杂、更慢。

Q4. 均值填补的主要缺陷是？

单选题 · mid

  • A.计算开销过高
  • B.低估方差削弱相关← 正确答案
  • C.无法处理数值数据
  • D.只能用于小样本

答案：B。均值填补把所有空缺填成同一个数，尾巴被剪掉，方差被压缩；补进去的值与其他特征零联动，破坏了相关结构。它的计算开销很低，且本来就是给数值数据用的。

Q5. 关于 KNN 插补，下列说法正确的有？

多选题 · mid

  • A.依据样本间距离寻找近邻← 正确答案
  • B.邻居贡献按距离加权← 正确答案
  • C.K 值越大插补一定越好
  • D.距离计算需避开缺失维度← 正确答案

答案：ABD。KNN 插补用距离找邻居、按距离倒数加权平均，距离只能在两边都完整的维度上计算。K 值并非越大越好，太大把远样本也拉进来，会过度平滑。

Q6. 下列哪种缺失机制最难处理？

单选题 · mid

  • A.完全随机缺失（MCAR）
  • B.随机缺失（MAR）
  • C.非随机缺失（MNAR）← 正确答案
  • D.三种机制难度相同

答案：C。MNAR 的缺失与缺失值本身有关，数据里没有直接线索，必须靠领域知识或专门建模。MCAR 最友好，MAR 是主流插补方法能覆盖的范围。

Q7. 多重插补（MICE）的特点包括？

多选题 · mid

  • A.多次生成完整数据集← 正确答案
  • B.能反映插补的不确定性← 正确答案
  • C.用 Rubin 法则合并估计← 正确答案
  • D.不需要任何模型假设

答案：ABC。MICE 生成 m 份插补集、分别分析后用 Rubin 法则合并，方差合成体现了不确定性。但它依赖插补模型和缺失机制的假设，并非“零假设”。

Q8. 缺失率 5% 且为 MCAR 时，下列做法最合理的是？

单选题 · hard

  • A.直接删除缺失行← 正确答案
  • B.用众数填补所有特征
  • C.必须用多重插补
  • D.不做任何处理直接建模

答案：A。MCAR 且缺失率低时，删除行的信息损失可忽略，是最简洁的选择。众数填补对数值特征不合适，多重插补在此场景属于过度设计，不做处理则多数模型报错。

Q9. 回归插补中，为减少插补值方差被低估，通常的做法是？

单选题 · hard

  • A.增大回归模型复杂度
  • B.加入随机扰动项← 正确答案
  • C.删除所有缺失样本
  • D.使用更大的数据集

答案：B。预测值全落在回归线上会压缩方差。加入服从残差分布的随机扰动，或使用 PMM 匹配真实观测值，能恢复分布形状。模型复杂度和数据量不能解决“过度自信”问题。

Q10. 下列属于 MNAR 场景的有？

多选题 · hard

  • A.血压计损坏导致测量值缺失
  • B.体重过重者拒绝填体重← 正确答案
  • C.高收入人群漏报收入← 正确答案
  • D.问卷印刷错误导致整页丢失

答案：BC。B、C 的缺失都与缺失值本身有关——体重、收入越高越不愿填，属于 MNAR。A、D 是设备故障和印刷意外，与数据值无关，属于 MCAR。