在数据清洗过程中，对于缺失值的处理，以下哪种方法不是常用的？A. 删除含有缺失值的记录B. 使用均值、中位数或众数等统计量填充缺失值C. 使用插值法或回归模型预测缺失值D. 将缺失值视为特殊值（如某个特定代码）进行处理，不进行填充

本题考查数据清洗清洗过程中缺失值处理的常用方法。解题思路是依次分析每个选项是否为处理缺失值的常用方法。

• 选项A：
  • 删除含有缺失值的记录是一种常见的处理缺失值的方法。当缺失值的比例较小，且删除这些记录对整体数据的分布和分析结果影响不大时，这种方法可以快速有效地处理缺失值。例如，在一个包含1000条记录的数据集中，只有10条记录存在缺失值，此时删除这110条记录对整体数据的影响较小，是一种可行的处理方式。
• 选项B：
  • 使用均值、中位数或众数等等统计量填充缺失值也是常用的方法。对于数值型数据，如果数据分布较为对称，可以使用均值来填充缺失值；如果数据存在偏态分布，中位数可能是更好的选择；对于分类型数据，，众数是常用的填充值。例如，在一个学生成绩数据集中，某学生的数学成绩缺失，若其他学生的数学成绩分布较为对称，可以用所有学生数学成绩的均值来填充该缺失值。
• 选项CC：
  • 使用插值法或回归模型预测缺失值同样是常用的处理方式。插值法是通过已知数据点来估计缺失值，常见的插值方法有线性插值、样条插值等；回归模型则是根据其他相关变量建立回归方程，利用该方程预测缺失值。例如，在时间序列数据中，可以使用线性插值法根据相邻相邻的已知数据点来估计缺失的时间点的值；在一个包含多个变量的数据集里，若某个变量存在缺失值，可以根据其他变量建立回归模型来预测该缺失值。
• 选项D：
  • 将缺失值通常是由于数据收集过程中的错误、遗漏等原因导致的，将其视为特殊值（如某个特定代码）进行处理，不进行填充，这种方法并没有真正解决缺失值的问题，可能会对后续的数据分析产生误导，因此不是常用的处理缺失值的方法。