数据清洗是数据分析流程中绕不开的一步，而缺失值处理往往是其中耗时最多、判断最难的环节。原始数据在采集、传输、存储的各个阶段都可能出现字段空缺，如果直接跳过或随意填补，后续的统计报表、数据可视化和业务分析结论都会受到干扰。理解缺失值处理的几种通行做法，并知道每种做法在什么条件下适用，是提升数据质量的基础能力。
在动手处理之前，有一个前置问题需要先回答：缺失是怎么产生的。统计学上把缺失机制大致分为三类。完全随机缺失指缺失与任何变量都无关，例如传感器偶发故障导致某个读数丢失。随机缺失指缺失与某些已观测到的变量有关，例如收入字段的缺失可能与年龄有关，但在控制年龄后与收入本身无关。非随机缺失则指缺失与未观测到的变量本身有关，例如高收入人群更倾向于不填写收入。判断缺失机制不能只靠公式，需要结合业务背景、数据采集流程和分组统计对比来综合推断。机制判断之所以重要，是因为它直接决定了后续方法的有效性——完全随机缺失下删除法偏差较小，而非随机缺失下简单删除会引入系统性偏差。
删除法是最直接的做法，分为行删除和列删除两种。行删除是去掉含有缺失值的整条记录，列删除是当某字段缺失比例过高时直接放弃该字段。删除法的优点是操作简单、不引入人为构造的数据，缺点是损失样本量，当缺失比例较高时可能严重影响分析结果的代表性。通行原则是：缺失比例较低且属于完全随机缺失时可以考虑行删除；缺失比例超过一定阈值时，行删除的代价往往难以接受，应转向填充策略。列删除则需要更谨慎，因为放弃一个字段意味着丢失该维度上的全部信息，只有当字段本身质量极差且对分析目标不重要时才适合采用。
统计量填充是应用最广泛的填充方式。数值型字段常用均值、中位数或众数填充，分类型字段通常用众数填充。均值填充实现简单，但会压缩数据的方差，使分布变得比真实情况更集中；中位数填充对极端值更稳健，适合偏态分布的数据；众数填充适合类别分布不均衡的分类字段。还有一种做法是把缺失本身当作一个独立类别，在分类字段中新增一个缺失标记类别。这种做法的好处是保留了缺失这一事实所携带的信息，缺点是当缺失比例较高时可能稀释其他类别的影响。统计量填充的共同局限在于，它假设缺失值可以用整体分布的中心趋势来近似，当缺失并非完全随机时，这种假设往往不成立。
基于模型的预测填充是更进一步的做法。思路是把含有缺失值的字段作为目标变量，用其他没有缺失的字段作为特征，训练一个回归或分类模型来预测缺失位置的值。常用的模型包括线性回归、决策树、随机森林以及K近邻等。K近邻填充的逻辑是找到与缺失样本最相似的若干样本，用它们的取值来估计缺失值。模型填充的优势在于能够利用变量之间的关联信息，填充结果通常比简单统计量更贴近真实分布。但它也有明显的代价：计算量较大，模型本身可能过拟合，而且当缺失字段与其他字段的关联性较弱时，预测效果并不理想。使用模型填充时需要注意，训练模型所用的数据应当是完整观测的子集，避免用待填充的数据去训练模型造成信息泄漏。
业务规则填充在很多实际场景中比统计方法更可靠。例如，客户信息表中缺失的年龄字段可以通过身份证号推算，订单表中缺失的金额可以通过单价乘以数量还原，时间序列中缺失的读数可以用前后相邻时间点的值进行插值。业务规则填充的前提是对数据来源和业务逻辑有充分理解，能够找到确定性的推导关系。这种方法的填充结果可解释性强，但适用范围受限于是否存在明确的业务规则。当规则本身存在例外情况时，需要设置合理的校验条件，避免错误填充。
多重插补是统计领域处理缺失值的经典框架。它的核心思想不是给出一个确定值，而是生成多组合理的填充数据集，对每组数据分别进行分析，最后把多次分析结果合并。这样做的好处是能够把填充本身带来的不确定性纳入最终结论，避免单一填充导致的低估标准误问题。多重插补通常基于链式方程或联合分布模型，操作上比单一填充复杂，但在缺失比例较高或字段对分析结论影响较大时，它的稳健性优势比较明显。
时间序列数据中的缺失值还有一类专门的处理方式。线性插值适合变化平缓的序列，样条插值适合波动较平滑的曲线，前向填充和后向填充适合状态持续不变的场景，例如设备状态、库存水平等。季节性数据可以考虑用同期均值或季节性分解后的趋势项来估计。选择哪种插值方法，取决于序列的平稳性、缺失段落的长度以及业务上对变化速度的预期。
无论采用哪种方法，填充之后的验证都不能省略。验证可以从三个层面展开。分布层面，对比填充前后字段的直方图、分位数和离散程度，看是否发生了不合理的偏移。关系层面，检查关键变量之间的相关系数、交叉表或分组均值是否被填充操作扭曲。下游层面，观察使用填充数据生成的分析报表和模型结果是否稳定，与不含缺失值的子集分析结论是否一致。如果发现偏差过大，需要回到填充方法的选择上重新评估。
有一个容易被忽略的细节是缺失标记的识别。在很多数据源中，缺失并不是以空值的形式出现，而是被记录为特定符号，例如零、负一、空格、问号、斜杠、无、未知等。如果这些标记没有被正确识别，就会被当作正常取值参与计算，导致均值和分布严重失真。因此数据清洗的第一步应当是统一缺失标记，把所有表示缺失的符号规范化为统一的空值形式，再进入填充环节。
另一个值得注意的问题是填充过程的可追溯性。在数据管理系统建设中，建议把每一步填充操作记录下来，包括处理了哪些字段、使用了什么方法、填充了多少条记录、填充前后的统计特征对比等。这样做的好处是，当后续分析发现异常时，可以追溯到是原始数据的问题还是填充操作引入的问题。对于需要反复运行的数据处理流程，把填充逻辑固化为可复用的脚本或配置，也能减少重复劳动和人为差错。
从实践角度看，缺失值处理没有一劳永逸的通用方案。合理的做法是先做缺失情况的整体摸底，统计每个字段的缺失比例、缺失模式以及缺失与其他变量的关联，再根据字段重要性和缺失机制选择策略。对于分析目标影响不大的字段，简单填充甚至删除都可以接受；对于核心字段，则值得投入更多精力采用模型填充或多重插补。填充完成后保留原始数据副本，确保任何处理都可以回退和对比。把缺失值处理当作一个需要记录、验证和迭代的工程环节，而不是一次性的临时修补，才能让数据清洗的成果真正支撑起后续的数据分析与数字化应用。