在数据科学的实际工作中，处理缺失值的常见策略有哪些？请列举并简要说明各种方法的适用场景。

回答思路

1. 【回答框架 1】缺失值处理是数据清洗的重要环节。常见方法包括删除法、填补法和模型预测法。删除法又分为直接删除行和删除列，适用于缺失值比例较小的情况，如缺失率低于5%且为随机缺失。
2. 【回答框架 2】填补法包括均值/中位数/众数填补、前向/后向填充、插值法等。均值填补简单但会降低方差，中位数对异常值鲁棒。前向填充适用于时间序列。插值法如线性插值适合连续变量。
3. 【回答框架 3】模型预测法如使用回归、KNN或随机森林预测缺失值，利用其他特征信息，但计算成本高，可能引入偏差。
4. 【回答框架 4】高级方法还包括多重插补（MICE），通过多次填补并合并结果，考虑不确定性。选择方法需结合数据缺失机制（完全随机缺失、随机缺失、非随机缺失）和业务场景。
5. 【回答框架 5】处理完成后需验证填补效果，如比较填补前后的分布，并记录处理过程以便后续分析。
6. 【关键点 1】删除法适合缺失率低且随机缺失的情况。
7. 【关键点 2】均值填补简单但会低估方差，中位数对异常值更稳健。
8. 【关键点 3】模型预测法利用特征信息但计算成本高，多重插补考虑不确定性。
9. 【关键点 4】时间序列数据可考虑前向填充或插值。
10. 【关键点 5】选择方法需基于数据缺失机制和业务需求。
11. 【易错点 1】不应简单删除大量缺失数据，可能导致样本偏差。
12. 【易错点 2】均值填补会扭曲数据分布，对后续建模有负面影响。
13. 【易错点 3】忽视缺失机制，错误使用处理方法。