4、缺失值处理策略

缺失值是信用评分卡建模中最常见的数据质量问题之一。缺失值的处理方式直接影响模型稳定性和区分能力。本章系统梳理五种主流策略：行删除、列删除、均值/中位数/众数填充、模型预测填充和KNN填充，并给出每种方法的适用场景与风险点。

4.1 缺失值处理决策流程

选择缺失值处理方法前，必须先判断缺失机制与缺失比例。下图概括了从缺失诊断到策略选择的完整路径：

4.2 删除缺失值

4.2.1 行删除（Listwise Deletion）

直接删除包含缺失值的样本记录。适用于缺失率低（通常 < 5%）且缺失完全随机（MCAR）的场景。

4.2.2 列删除（Column Deletion）

直接删除缺失率过高的特征列。当某特征缺失率超过 70% 时，该特征几乎失去建模价值。

4.3 均值/中位数/众数填充

用集中趋势统计量替换缺失值，是最简单、最常用的填充方法。不同数据类型应选择不同的统计量：

4.4 模型预测填充

将缺失特征作为目标变量，利用其他完整特征构建预测模型来估计缺失值。常用模型包括线性回归、决策树、随机森林和 XGBoost。

实施步骤：

1. 将数据集分为完整样本（无缺失）和缺失样本。
2. 以缺失特征为 y，其他完整特征为 X，在完整样本上训练预测模型。
3. 用训练好的模型预测缺失样本的 y 值。
4. 将预测值填入缺失位置。

# Python 示例：随机森林预测填充
from sklearn.ensemble import RandomForestRegressor

# 假设 df 中 'income' 列有缺失
train = df[df['income'].notna()]
test = df[df['income'].isna()]

X_train = train.drop(columns=['income', 'target'])
y_train = train['income']
X_test = test.drop(columns=['income', 'target'])

model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
predicted = model.predict(X_test)

df.loc[df['income'].isna(), 'income'] = predicted

4.5 KNN 填充

KNN 填充基于样本相似度：找到与缺失样本最接近的 K 个完整样本，用它们的加权平均值（连续变量）或投票结果（分类变量）填充缺失值。

# Python 示例：KNN 填充
from sklearn.impute import KNNImputer

imputer = KNNImputer(n_neighbors=5, weights='distance')
df_imputed = pd.DataFrame(
    imputer.fit_transform(df),
    columns=df.columns
)

4.6 五种策略对比总结