进行数据分析时，面对数据集里的缺失值，你通常会采取哪些处理办法？

回答思路

1. 【回答框架 1】缺失值处理的核心是识别缺失模式，再根据业务场景和数据特征选择删除、填充或建模预测。删除分为直接删除含缺失的样本或特征，适用于缺失比例低且随机缺失的情况，但会损失数据量。
2. 【回答框架 2】填充法用均值、中位数、众数或常数填补，适用于数值型变量且缺失随机；也可用上下条数据填充或插值法。更优的是用回归、KNN或随机森林等模型预测缺失值，适合缺失机制复杂或缺失比例较高时。
3. 【回答框架 3】对缺失比例极高的特征可直接删除；对关键变量可引入缺失指示列作为新特征，保留缺失信息。时间序列数据常用前向填充或后向填充，但需注意趋势和季节因素。
4. 【回答框架 4】处理前应做缺失值可视化或统计，判断是随机缺失、完全随机缺失还是非随机缺失，因为非随机缺失时简单填充可能带来偏差。
5. 【回答框架 5】最终选择要以业务理解为基础，可通过对比不同方法在验证集上的表现来评估，避免盲目使用单一方法。
6. 【关键点 1】缺失值处理前需先分析缺失机制和比例。
7. 【关键点 2】常用方法包括删除、统计填充、插值、模型预测和缺失指示列。
8. 【关键点 3】非随机缺失时简单填充可能引入偏差，需谨慎。
9. 【关键点 4】时间序列数据填充需考虑趋势与周期性，不可一概而论。
10. 【易错点 1】用全局均值填充会忽略变量间关系，在缺失非随机时导致估计偏差。
11. 【易错点 2】将缺失直接填0可能扭曲分布，影响后续建模和统计推断。
12. 【易错点 3】对高缺失率特征强行填充而不删除，可能引入大量噪声。