训练集中有的特征含有缺失值，一般怎么处理

1. 替代法

用该列的中位数或者平均值或者众数来代替这列中所有的缺失值。也可以从这一列中随机抽样(bootstrap)。

对于时间序列变量，可以用插值的方法。

这个方法的缺点是让数据增加了很多noise。

2. 预测法

把这一列当成标签，用剩下变量来预测缺失值。

一般用比较简单的模型，比如可以用kNN，regression tree。

这个方法的缺点是引入了偏差。

3. 消极处理

如果某一行的缺失值很多，就把这一行删了。

如果某一列的缺失值很多，就把这一列删了。

或者直接不处理，有些模型，比如random forest，可以直接处理有缺失值的数据。

先看看缺失值多不多，如果这一变量里面95%都是缺失的，我觉得这一列的参考意义也不会大，不如就把这一列给删掉。

对于数值变量(numeric)来说，可以用平均值来代替。

对于分类变量(categorical)来说，可以把缺失值统一当作一个新的分类来处理。

说句我的实战经验，如果数据是来自自家公司的数据库，那以上方法都不是最有效的。最有效的方法是去找负责数据库的码农同志聊一聊。标本兼治，药到病除。

从实际角度出发，首先要了解缺失的原因；其次，看缺失值和预测值的联合分布，看看其中有没有什么蹊跷。

从处理的角度来说，如题主说到的，

• 可以用均值，也可以用众数，中位数；
• 可以按类的均值（众数、中位数）补全，比如说数据中A列中的数值有缺失，B列是一个categorical variable，你可以按照B列中的类别，用类别的均值对A列中的数据补全。

直接看这个链接就完事了，清晰明了

ps 我的实际经验是在imputing的时候用MCMC sampling或者Random Forest的效果很棒，尤其推荐mice 这个package

How to Handle Missing Data