【判断题】在现实世界的数据中,元组在某些属性上缺少值是常有的。可以使用从数据中挑选一个数据填写的方法处理该问题

考查要点：本题主要考查对数据预处理中缺失值处理方法的理解，以及判断常见处理方式的合理性。

关键思路：

1. 缺失值的普遍性：题目第一部分正确，现实数据中确实存在大量缺失值。
2. 填补方法的科学性：题目第二部分错误，直接“挑选一个数据填写”可能破坏数据分布或逻辑关系，需结合具体场景选择合理方法（如删除、均值填补、模型预测等）。

破题关键：

• 明确填补方法的局限性：随意挑选数据填补可能引入偏差，影响分析结果。
• 强调方法选择的重要性：需根据数据特征和分析目标选择科学的处理方式。

题目判断依据：

1. 缺失值处理的基本原则：

   • 完整性：填补需保持数据整体分布的合理性。
   • 逻辑性：填补值应与数据特征或业务背景相符。

2. “挑选一个数据填写”的缺陷：

   • 随机性：若随意选择其他样本的值填充，可能导致局部数据异常（如离群值）。
   • 偏差风险：若挑选的值集中于某一群体（如高收入样本），会歪曲整体统计结果。
   • 忽略缺失机制：未考虑缺失值产生的原因（如是否与目标变量相关），可能降低分析准确性。

3. 正确方法示例：

   • 删除法：剔除含缺失值的记录（适用于缺失比例低且随机）。
   • 均值/中位数填补：用属性的集中趋势值填充（适用于数值型数据）。
   • 模型预测：利用其他变量通过算法（如KNN、回归）预测缺失值。