数据词典：缺失值 （Missing Value）

赵老师

缺失值指的是现有数据集中某个或某些属性的值是不完全的。缺失值的产生原因多种多样，主要分为机械原因和人为原因。机械原因是由机械导致的数据缺失，比如数据存储的失败、存储器损坏、机械故障导致某段时间的数据未能收集（对于定时数据采集而言）。人为原因是由人的主观失误、历史局限或有意隐瞒造成的数据缺失。比如，在市场调查中被访人拒绝透露相关问题的答案，或者回答的问题是无效的，或者数据录入人员漏录了数据。

从缺失的分布来看，缺失值主要分为以下四类：

1．完全随机丢失。即对于所有的观察结果，丢失的概率是相同的。例如，在数据收集过程中，受访者想在抛出一个硬币之后，再决定是否宣布他们的收入。如果硬币为正面，受访者则宣布自己的收入，反之则不宣布。这里的每个观察值都具有相同的丢失机会。

2．随机丢失。即变量的值随机丢失并且丢失的概率会因其他输入变量的值或级别不同而变化。例如，在收集年龄信息时，女性年龄数据的缺失率要高于男性的。

3．不可预测因子导致的缺失。即数据不是随机缺失，而是受一切潜在因子的影响。例如，在医学研究中，如果一个特定的诊断会导致病人不适，那么这项研究就很有可能被抛弃。这个缺失值并不是随机发生的，而是依赖于“不适”这一潜在的因子。

4．取决于自身的缺失。即发生缺失的概率受缺失值本身的影响。例如，收入特别高和特别低的人不愿意提供自己的收入数据。

【出处】天池平台.阿里云天池大赛赛题解析.电子工业出版社，2020年9月第1版.