4、数据层策略：零填充、均值填充、插值法在模态缺失中的应用与局限
数据层策略，说白了就是在模型看到数据之前，先把缺失的坑给填上。这是最直观、最容易想到的办法——缺了啥，补啥呗。
但我要先泼一盆冷水：填充不是万能的。我在好几个项目里都踩过这个坑，以为把缺失值补上就万事大吉，结果模型训练出来一塌糊涂。后来才明白，填充策略选不对，比不填充还糟糕。
这一章，咱们就把三种最常用的填充方法掰开揉碎了讲清楚：零填充、均值填充、插值法。它们各自适合什么场景？有什么坑？我用自己的血泪史给你一一拆解。
4.1 零填充（Zero Padding）
零填充是最简单粗暴的方法。缺失的位置直接填 0。为什么有人用？因为快，因为省事，因为某些场景下它确实有效。
适用场景：当缺失值本身代表“无信号”或“无事件”时，零填充是合理的。比如传感器在某个时间点没有采集到数据，填 0 表示“没检测到”。
但问题来了——零填充会引入偏差。你想想看，如果某个模态的正常数据范围是 [0.5, 1.5]，你强行填一堆 0 进去，模型会学到什么？它会觉得“哦，这个模态经常出现 0”，然后对真正的 0 值产生误判。
我曾经在一个多模态情感识别项目里用过零填充。音频特征缺失时填 0，结果模型把“沉默”和“负面情绪”搞混了。为什么？因为训练数据里填了太多 0，模型把 0 当成了某种情绪信号。
避坑指南：零填充只适用于缺失率极低（<5%）且缺失值确实代表“无”的场景。如果缺失率超过 10%，千万别用零填充，否则模型会学到一堆假模式。
4.2 均值填充（Mean Imputation）
均值填充比零填充聪明一点。它用该特征在所有样本上的均值来填补缺失值。听起来很合理对吧？但实际用起来，坑也不少。
均值填充的核心假设是：缺失值和其他值来自同一个分布。但现实往往不是这样。缺失本身可能是有偏的——比如某个传感器在高温下容易失效，那缺失的数据点大概率是高温数据，你用整体均值去填，就会低估真实值。
| 填充方法 | 计算方式 | 优点 | 缺点 |
|---|---|---|---|
| 全局均值 | 所有样本该特征的均值 | 简单、计算快 | 忽略样本差异，引入偏差 |
| 分组均值 | 按类别/簇分别计算均值 | 保留组内一致性 | 需要先验分组信息 |
| 滑动窗口均值 | 用相邻时间点的均值 | 保留时序局部性 | 窗口大小难调 |
我个人习惯用分组均值。比如在医疗数据里，不同年龄段的生理指标差异很大，我会先按年龄段分组，再在组内做均值填充。这样至少能保留一部分群体特征。
但要注意：均值填充会压缩方差。填进去的都是平均值，导致特征分布变窄，模型对极端值的判断能力会下降。
经验之谈：如果缺失率在 5%-15% 之间，均值填充是个不错的起点。但一定要做填充后的分布检查——看看填充前后的均值、方差变化大不大。变化太大，说明你的填充策略有问题。
4.3 插值法（Interpolation）
插值法比前两种都高级。它利用已知数据点之间的数学关系，推测出缺失点的值。对于时序数据，插值法尤其好用。
常见的插值方法有几种：
- 线性插值：用缺失点前后两个已知点的连线来估算。简单、稳定，适合变化平缓的数据。
- 多项式插值：用更高阶的曲线拟合已知点。精度更高，但容易过拟合（龙格现象）。
- 样条插值：分段拟合，每段用低阶多项式。兼顾平滑性和精度，是我最常用的方法。
- KNN 插值：找最相似的 K 个样本，用它们的值加权平均。适合非时序数据。
下面是一个简单的线性插值代码示例：
import numpy as np
def linear_interpolate(data, missing_indices):
"""
对一维时序数据进行线性插值
data: 包含 NaN 的原始数据
missing_indices: 缺失位置的索引列表
"""
result = data.copy()
for idx in missing_indices:
# 找前一个非缺失值
prev_idx = idx - 1
while prev_idx >= 0 and np.isnan(result[prev_idx]):
prev_idx -= 1
# 找后一个非缺失值
next_idx = idx + 1
while next_idx < len(result) and np.isnan(result[next_idx]):
next_idx += 1
if prev_idx >= 0 and next_idx < len(result):
# 线性插值公式
ratio = (idx - prev_idx) / (next_idx - prev_idx)
result[idx] = result[prev_idx] + ratio * (result[next_idx] - result[prev_idx])
return result插值法的局限也很明显：它假设数据是平滑的。如果数据本身有突变、噪声大，插值出来的结果可能完全失真。我在一个工业传感器项目里用过样条插值，传感器数据本身就有周期性波动，插值结果看起来很美，但模型训练出来反而更差了——因为插值把噪声也“平滑”进去了。
避坑指南：插值法不适合缺失段过长的情况。如果连续缺失超过 5 个时间点，插值的误差会急剧放大。我的经验是：连续缺失不超过总序列长度的 5% 时，插值法效果最好。
4.4 三种方法的对比与选择
说了这么多，到底该用哪种？我整理了一个对比表，方便你快速决策：
| 维度 | 零填充 | 均值填充 | 插值法 |
|---|---|---|---|
| 计算复杂度 | O(1) | O(n) | O(n) ~ O(n²) |
| 适用缺失率 | <5% | 5%-15% | <10%（连续缺失 <5%） |
| 数据要求 | 无 | 特征分布稳定 | 数据平滑、有规律 |
| 引入偏差 | 高 | 中 | 低（假设成立时） |
| 保留方差 | 否 | 否（压缩方差） | 是（部分保留） |
| 典型场景 | 二值信号缺失 | 问卷调查缺失 | 时序传感器数据 |
我的建议是：先分析缺失模式，再选填充方法。缺失是随机的还是系统性的？缺失段长不长？数据本身有没有周期性？这些问题想清楚了，选择自然就出来了。
4.5 知识结构图：数据层策略全景
下面这张图把三种填充方法的核心逻辑、适用条件和局限都串起来了。你可以把它当作一个快速决策指南：
4.6 数据层策略的终极局限
最后说一个扎心的事实：数据层策略解决不了所有问题。无论你用什么填充方法，都是在“猜”缺失的值。猜对了，模型受益；猜错了，模型受害。
我见过太多人花大量时间调填充参数，结果模型性能提升不到 1%。为什么？因为缺失本身可能携带信息——缺失的位置、缺失的模式、缺失的时长，这些本身就是特征。你把它填平了，反而把信息丢掉了。
所以我的建议是：数据层策略只适合作为基线方法。先用零填充或均值填充快速跑一个 baseline，看看模型在简单填充下的表现。如果效果还行，再考虑更复杂的策略。如果 baseline 就很差，那问题可能不在填充方法上，而在数据本身的质量上。
我的习惯：每次做填充之前，我都会先问自己三个问题：
- 缺失是随机的还是系统性的？
- 缺失率有多高？
- 填充后的数据分布和原始分布差异大吗？
这三个问题想清楚了，填充策略基本就定了。
好了，数据层策略就讲到这里。下一层——特征层策略，咱们会聊怎么在特征提取阶段处理缺失，那才是真正考验功力的地方。