數據的缺失主要包括記錄的缺失和記錄中某個字段信息的缺失，兩者都會造成分析結果的不準確，以下從缺失值產生的原因及影響等方面展開分析。

(1)缺失值產生的原因

1)有些信息暫時無法獲取，或者獲取信息的代價太大。

2)有些信息是被遺漏的。可能是因為輸入時認為不重要、忘記填寫或對數據理解錯誤等一些人為因素而遺漏，也可能是由于數據采集設備的故障、存儲介質的故障、傳輸媒體的故障等非人為原因而丟失。

3)屬性值不存在。在某些情況下，缺失值并不意味著數據有錯誤。對一些對象來說某些屬性值是不存在的，如一個未婚者的配偶姓名、一個兒童的固定收入等。

(2)缺失值的影響

1)數據挖掘建模將丟失大量的有用信息。

2)數據挖掘模型所表現出的不確定性更加顯著，模型中蘊涵的規律更難把握。

3)包含空值的數據會使建模過程陷入混亂，導致不可靠的輸出。

(3)缺失值的分析

使用簡單的統計分析，可以得到含有缺失值的屬性的個數，以及每個屬性的未缺失數、缺失數與缺失率等。

從總體上來說，缺失值的處理分為刪除存在缺失值的記錄、對可能值進行插補和不處理3種情況，將在4.1.1節詳細介紹。

總結

以上是生活随笔為你收集整理的python缺失值类型与分析_3.1.1　缺失值分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。