# 缺失值处理

# 1、作用

缺失值即空值。数据集不含缺失值的变量被称为 完全变量 ，含有缺失值的变量被称为 不完全变量 。从缺失的分布来说，我们可以把缺失分为完全随机缺失，随机缺失和完全非随机缺失。

• 完全随机缺失（missing completely at random,MCAR）指的是数据的缺失是完全随机的，不依赖于任何不完全变量或完全变量，不影响样本的无偏性，如家庭地址缺失；

• 随机缺失(missing at random,MAR)：指的是数据的缺失不是完全随机的，即该类数据的缺失依赖于其他完全变量，如财务数据缺失情况与企业的大小有关；

• 非随机缺失(missing not at random,MNAR)：指的是数据的缺失与不完全变量自身的取值有关，如高收入人群不原意提供家庭收入；

对于缺失值，往往直接删除是不合适，于是我们需要进行缺失值处理，包括考虑是否剔除，或进行填充处理。

# 2、输入输出描述

输入 ：一项或以上定量或定类变量。
输出 ：对缺失值进行填补后的序列。

# 3、案例示例

案例 ：示例，现有一个变量，对空值进行识别，并且用当前的均值对空值进行填补。

# 4、案例数据

缺失值处理案例数据

# 5、案例操作

Step1：在“数据处理”模块新建处理；
Step2：上传文件；
Step3：选择对应数据打开后进行预览，确认无误后点击开始分析；

Step4：选择【缺失值处理】；
Step5：查看对应的数据数据格式，【缺失值处理】要求变量为定量或定类变量，且至少有一项；
Step6：确认参数，有不同的填充方法可选择；