缺失值处理在工业数据分析中的应用

1/1缺失值处理在工业数据分析中的应用第一部分缺失值处理的必要性 2第二部分缺失值产生的原因 4第三部分缺失值类型及特点 6第四部分缺失值处理的一般流程 8第五部分缺失值处理的常用方法 10第六部分缺失值处理的应用场景 12第七部分缺失值处理的优缺点 16第八部分缺失值处理的发展趋势 18

第一部分缺失值处理的必要性关键词关键要点【缺失值对数据分析的影响】：

1.导致数据分布偏斜：缺失值的存在使数据分布不再均匀，可能会导致数据分析结果发生偏差。例如，如果缺失值主要集中在某一个群体或类别中，那么该群体或类别的数据分析结果就会受到很大的影响。

2.降低数据有效性：缺失值的存在降低了数据的有效性，使数据分析师无法充分利用所有可用的数据进行分析。例如，如果某个变量的缺失值过多，那么该变量就不能用于数据分析，这会降低数据分析的准确性和可靠性。

3.影响模型性能：缺失值的存在可能会影响模型的性能。例如，在机器学习中，如果训练数据中存在缺失值，那么模型可能会学习到错误的模式，导致模型的预测准确率降低。

【缺失值处理方法的适用场景】：

一、缺失值处理的必要性

缺失值是指在数据集中存在无法观测或收集到相应值的情况。在工业数据分析中，缺失值处理是数据预处理的重要步骤之一。未经处理的缺失值可能会对后续的数据分析和建模产生负面影响，主要体现在以下几个方面：

-偏差和误差：缺失值的存在会影响数据分布的准确性和代表性,进而导致分析结果产生偏差。例如,在一项关于产品质量的研究中,如果对产品缺陷的数据存在缺失值,则分析结果可能会错误地低估了缺陷率。

-模型的不稳定性：缺失值的存在会影响模型的稳定性和准确性。在数据建模时,缺失值会使模型训练的样本量减少,导致模型对数据的拟合程度降低。此外,当缺失值的位置或模式发生变化时,模型的预测结果也可能随之改变,影响模型的鲁棒性。

-计算效率低：在数据分析中,缺失值的存在会增加计算的复杂性和降低计算效率。例如,在进行聚类分析时,如果样本中存在缺失值,则需要采用专门的算法来处理缺失值,增加了计算的成本和时间。

-结论不准确：缺失值的存在可能会导致分析结果不准确甚至错误。例如,在进行假设检验时,如果样本中存在缺失值,则需要使用专门的统计方法来处理缺失值,否则可能会导致检验结果的偏差和错误。

-价值损失：缺失值的存在会使得数据的信息损失,影响数据的价值。缺失值不仅会影响数据分析的结果,还会影响后续决策的质量。缺失值越多,数据分析的结果越不可靠,随之而来的决策也可能出现问题。

-采样偏差：缺失值的产生机制如果与其他变量相关,则会引起采样偏差。例如,在调查研究中,如果对某些特定人群的数据收集不到,那么根据这些数据得出的人群特征可能不能代表全体人群的特征。

-模型解释困难：缺失值的存在会使模型的解释变得困难。在模型训练过程中,由于缺失值的存在,模型可能无法学习到数据中完整的特征信息,从而影响模型的解释性。缺乏解释性的模型会降低模型的可靠性和可信度,也不利于模型的应用。

总之,缺失值处理在工业数据分析中至关重要。通过合理的缺失值处理方法,可以提高数据质量、消除数据偏差、提高模型准确性和稳定性、提高计算效率,确保数据分析结果的准确性和可靠性,辅助企业做出科学决策。第二部分缺失值产生的原因关键词关键要点数据收集过程中的错误

1.传感器故障或数据传输错误：由于传感器故障或数据传输过程中出现问题，导致部分数据无法被正确记录或传输，从而产生缺失值。

2.人为失误：在数据收集过程中，由于人为失误，如填写错误、数据录入错误或数据丢失，也可能导致缺失值。

3.数据清洗和处理错误：在数据清洗和处理过程中，由于错误的数据清洗操作或数据处理算法，可能导致数据丢失或损坏，从而产生缺失值。

数据测量或观测的限制

1.技术限制：某些数据难以进行精确测量或观测，例如在某些极端环境或难以到达的区域，由于技术手段的限制，可能会导致数据缺失。

2.样本选择偏误：在数据收集过程中，由于样本选择偏误，可能导致某些群体或个体的缺失。

3.数据可访问性限制：在某些情况下，由于数据访问权限有限或数据保密限制，可能导致无法获得所需的数据，从而产生缺失值。

数据存储和管理不当

1.数据存储错误：由于数据存储设备故障、数据损坏或数据备份不当，可能导致数据丢失或损坏，从而产生缺失值。

2.数据管理不善：由于数据管理不善，如数据组织混乱、数据格式不统一或数据文档编制不完善，可能导致难以找到或使用数据，从而产生缺失值。

3.数据安全问题：由于数据安全问题，如数据泄露或数据损坏，也可能导致数据丢失或损坏，从而产生缺失值。缺失值产生的原因

在工业数据分析中，缺失值是指在数据集中某个字段或变量的值不可用或未知。缺失值的存在会影响数据分析的准确性和可靠性。缺失值产生的原因有很多，主要包括：

1.数据收集过程中的错误

*仪器设备故障：数据收集过程中，仪器设备可能发生故障或损坏，导致无法正常收集数据。

*人为失误：数据收集人员可能误操作或疏忽，导致数据缺失。

*数据传输错误：在数据传输过程中，可能由于网络故障或其他原因导致数据丢失或损坏。

2.数据处理过程中的错误

*数据清洗：在数据清洗过程中，可能会将包含缺失值的记录删除，导致数据缺失。

*数据转换：在数据转换过程中，可能由于数据类型不一致或其他原因导致数据丢失或损坏。

*数据合并：在数据合并过程中，可能会由于数据格式不一致或其他原因导致数据丢失或损坏。

3.数据存储过程中的错误

*数据库故障：数据库可能发生故障或损坏，导致数据丢失或损坏。

*数据备份失败：数据备份可能失败，导致数据丢失。

4.数据使用过程中的错误

*数据分析：在数据分析过程中，可能会由于使用不当或其他原因导致数据丢失或损坏。

*数据报告：在数据报告过程中，可能会由于人为失误或其他原因导致数据丢失或损坏。

5.其他原因

*自然灾害：自然灾害，如洪水、地震等，可能会导致数据丢失或损坏。

*人为破坏：人为破坏，如恶意攻击等，可能会导致数据丢失或损坏。第三部分缺失值类型及特点关键词关键要点【缺失值类型】：

1.缺失完全随机（MissingCompletelyatRandom,MCAR）：这种类型的缺失值与样本的任何特征都无关，完全是随机发生的。

2.缺失随机缺失（MissingatRandom,MAR）：这种类型的缺失值与样本的某些特征有关，但与未观测变量无关。

3.缺失非随机缺失（MissingNotatRandom,MNAR）：这种类型的缺失值与样本的特征和未观测变量都相关。

【缺失值产生机制】：

缺失值类型及特点

在工业数据分析中，缺失值是指数据表中原本应该存在的数据值，但实际上却缺失或丢失了。缺失值的存在会导致数据分析结果不准确或产生偏差，因此需要对缺失值进行处理。

缺失值可以分为以下几种类型：

1.随机缺失（MissingCompletelyatRandom,MCAR）

随机缺失是指数据值缺失的概率与其他变量无关。例如，在一个调查中，由于某些受访者不愿回答某些问题而导致的数据缺失就是随机缺失。

2.缺失值不完全随机（MissingatRandom,MAR）

缺失值不完全随机是指数据值缺失的概率与其他变量相关，但与要预测的变量无关。例如，在一个调查中，由于受访者的教育水平不同而导致的数据缺失就是缺失值不完全随机。

3.缺失值完全缺失（MissingNotatRandom,MNAR）

缺失值完全缺失是指数据值缺失的概率与要预测的变量相关。例如，在一个调查中，由于受访者的收入水平不同而导致的数据缺失就是缺失值完全缺失。

不同类型缺失值的识别

缺失值类型的识别可以借助于Little`sMCARtest`和Rubin`sMARtest`。

1.Little`sMCARtest`：如果缺失值是随机缺失的，那么缺失值与其他变量之间应该不存在相关性。Little`sMCARtest`就是用来检验缺失值是否随机缺失的。该检验方法是将缺失值与其他变量进行相关性分析，如果相关性不显著，则认为缺失值是随机缺失的。

2.Rubin`sMARtest`：如果缺失值是缺失值不完全随机的，那么缺失值与其他变量之间应该存在相关性，但与要预测的变量之间不存在相关性。Rubin`sMARtest`就是用来检验缺失值是否缺失值不完全随机的。该检验方法是将缺失值与其他变量以及要预测的变量进行相关性分析，如果缺失值与其他变量相关，但与要预测的变量不相关，则认为缺失值是缺失值不完全随机的。

如果Little`sMCARtest`和Rubin`sMARtest`都拒绝了各自的假设，则认为缺失值是缺失值完全缺失的。

缺失值的处理方法根据缺失值的类型而有所不同。对于随机缺失，可以使用均值、中位数或众数来填充缺失值。对于缺失值不完全随机，可以使用回归模型或多元插补法来填充缺失值。对于缺失值完全缺失，则无法使用任何方法来填充缺失值，只能丢弃这些数据。第四部分缺失值处理的一般流程关键词关键要点【缺失值处理的一般流程】：

1.缺失值识别：确定数据集中缺失值的存在及其分布情况，包括缺失值的数量、类型和模式。

2.缺失值类型：缺失值的类型分为三种：

-随机缺失：缺失值是随机发生的，与其他变量无关。

-系统缺失：缺失值是由于某种系统性原因造成的，例如数据收集过程中的错误或数据格式不一致。

-缺失值机制：缺失值机制是指缺失值产生的原因，包括随机缺失、系统缺失和缺失值机制未知。

3.缺失值处理方法的选择：缺失值处理方法的选择取决于缺失值的类型、数据分布和后续分析任务的要求。

4.缺失值处理方法：缺失值处理方法包括：

-单变量处理方法：适用于单变量缺失值情况，包括均值填充、中位数填充和众数填充等。

-多变量处理方法：适用于多变量缺失值情况，包括多重插补、回归模型和因子分析等。

5.缺失值处理效果评估：评估缺失值处理方法的效果，包括预测模型的准确性、稳定性等。

【缺失值处理的常见问题】：

缺失值处理的一般流程

缺失值处理的一般流程通常包括以下步骤：

1.缺失值识别：识别和标记数据集中存在缺失值的位置。这可以通过检查数据集中的每个值是否为空或不完整来完成。

2.缺失值类型确定：确定缺失值是随机缺失、系统缺失还是缺失值本身包含信息。随机缺失是指缺失值是随机发生的，不与其他变量或特征相关；系统缺失是指缺失值与其他变量或特征相关，具有某种规律或模式；缺失值本身包含信息是指缺失值本身就包含了某种信息，可以帮助理解数据。

3.缺失值处理方法选择：根据缺失值的类型和数据分析的目标选择合适的缺失值处理方法。常见的缺失值处理方法包括：

*删除缺失值：将包含缺失值的行或列从数据集中删除。这种方法简单易行，但可能会导致数据丢失和样本量减少。

*均值填充：用变量的平均值填充缺失值。这种方法适用于随机缺失值，但可能会使数据分布发生变化。

*中值填充：用变量的中值填充缺失值。这种方法也适用于随机缺失值，并且对异常值不敏感。

*众数填充：用变量的众数填充缺失值。这种方法适用于分类变量的缺失值，但可能会掩盖数据中的潜在模式。

*K近邻填充：用变量的K个最近邻居的平均值或中值填充缺失值。这种方法可以保留数据中的局部结构，但可能会受到噪声和异常值的影响。

*多重插补：使用统计模型或机器学习算法对缺失值进行预测和填充。这种方法可以利用数据中的其他信息来估计缺失值，但可能会引入额外的偏差和方差。

4.缺失值处理结果评估：评估缺失值处理的结果，以确保它没有对数据分析结果产生负面影响。常用的评估方法包括：

*比较不同缺失值处理方法的结果：比较不同缺失值处理方法处理后的数据在建模或分析中的表现，以选择最优的缺失值处理方法。

*检查数据分布的变化：检查缺失值处理前后的数据分布，以确保缺失值处理没有对数据分布造成显著的影响。

*检查模型结果的鲁棒性：使用不同的缺失值处理方法处理后的数据对模型进行训练和评估，以检查模型结果对缺失值处理的鲁棒性。第五部分缺失值处理的常用方法关键词关键要点缺失值处理的一般流程

1.缺失值检测：识别数据集中的缺失值并记录其位置。

2.缺失值删除：将包含缺失值的行或列从数据集中删除。

3.单变量缺失值插补：使用各种方法对单个变量的缺失值进行插补，如均值插补、中位数插补、众数插补等。

4.多变量缺失值插补：使用各种方法对多个变量的缺失值进行插补，如多重插补、K-最近邻插补、贝叶斯插补等。

5.模型预测：使用机器学习模型来预测缺失值。

6.敏感性分析：评估缺失值处理方法对分析结果的影响。

缺失值处理的常见方法

1.均值插补：使用变量的平均值来填充缺失值。

2.中位数插补：使用变量的中位值来填充缺失值。

3.众数插补：使用变量中最常见的值来填充缺失值。

4.多重插补：使用多次插补和组合结果来获得更准确的缺失值估计。

5.K-最近邻插补：使用与观测值最相似的K个观测值来预测缺失值。

6.贝叶斯插补：使用贝叶斯统计方法来估计缺失值。缺失值处理的常用方法

1.删除法

删除法也称为忽略法或排除法,即将包含缺失值的样本从数据集中删除,然后对剩下的数据进行分析,处理简便,但可能导致信息损失,并可能导致样本不平衡。

2.均值法

均值法是用一个变量的平均值来替换缺失值的方法。均值法简单易用,且不会导致样本不平衡,但可能导致信息损失和分析结果的偏差。

3.中位数法

中位数法是用一个变量的中位数来填充缺失值,它不太容易受极值的影响,也不会导致样本不平衡,适用于不符合正态分布的数据,但可能导致信息损失。

4.众数法

众数法则用一个变量的众数来填充缺失值。众数法适用于分类变量,但对缺失值较多的变量效果较差。

5.最后观测值法

最后观测值法是用一个变量的最后一个观测值来填充缺失值。最后观测值法适用于时间序列数据,但可能导致信息损失和分析结果的偏差。

6.线性插值法

线性插值法是用两个相邻观测值之间的直线来估计缺失值。线性插值法适用于连续变量,但可能导致分析结果的偏差。

7.多元插值法

多元插值法是用多个变量的观测值来估计缺失值。多元插值法适用于多个变量之间存在相关性的情况,但可能导致分析结果的偏差。

8.随机插值法

随机插值法是用随机数来填充缺失值。随机插值法适用于任何类型的变量,但可能导致分析结果的偏差。

9.模型预测法

模型预测法是用一个模型来预测缺失值的方法。模型预测法可以结合各种方法,包括回归模型、决策树、神经网络和支持向量机等,较为复杂,但可以尽量减少信息损失,分析结果也较为准确。

10.多重插补法

多重插补法是一种通过多次插补来估计缺失值的方法。多重插补法可以减少信息损失,且不太容易导致分析结果的偏差,但计算过程复杂。第六部分缺失值处理的应用场景关键词关键要点缺失值处理在工业制造业中的应用

1.工业制造业的数据收集系统往往存在数据缺失的问题，这可能是由于传感器故障、数据传输错误或其他原因造成的。缺失值的存在会影响数据分析的准确性和可靠性，因此需要对缺失值进行处理。

2.在工业制造业中，缺失值处理的常见方法包括：

-删除法：将包含缺失值的数据样本删除，这种方法简单易行，但可能会导致数据量减少，影响分析结果的准确性。

-估算法：使用统计方法对缺失值进行估计，常用的估算方法包括均值估算、中位数估算和K近邻估算等。

-插补法：利用已有的数据对缺失值进行插补，常用的插补方法包括线性插补、多项式插补和样条曲线插补等。

3.缺失值处理方法的选择取决于缺失数据的类型、缺失数据的数量以及对数据分析结果的要求。对于小规模的随机缺失数据，可以使用删除法或估算法来处理。对于大规模的系统性缺失数据，可以使用插补法来处理。

缺失值处理在工业能源行业中的应用

1.工业能源行业的数据收集系统也存在数据缺失的问题，这可能是由于仪表故障、数据传输错误或其他原因造成的。缺失值的存在会影响能源消耗分析、能源效率评估和能源优化等工作的准确性和可靠性，因此需要对缺失值进行处理。

2.在工业能源行业，缺失值处理的常见方法包括：

-删除法：由于能源数据往往具有连续性和相关性，直接删除包含缺失值的数据样本可能会导致信息损失，因此删除法在能源行业中应用较少。

-估算法：常用的估算方法包括均值估算、中位数估算、众数估算和K近邻估算等。这些方法简单易行，但可能会导致估算结果的偏差。

-插补法：常用的插补方法包括线性插补、多项式插补和样条曲线插补等。这些方法可以利用已有的数据对缺失值进行插补，从而获得更加准确的能源消耗和能源效率分析结果。

3.缺失值处理方法的选择取决于缺失数据的类型、缺失数据的数量以及对数据分析结果的要求。对于小规模的随机缺失数据，可以使用估算法或插补法来处理。对于大规模的系统性缺失数据，可以使用高级的统计方法或机器学习方法来处理。

缺失值处理在工业医疗行业中的应用

1.工业医疗行业的数据收集系统同样存在数据缺失的问题，这可能是由于医疗设备故障、数据传输错误或其他原因造成的。缺失值的存在会影响患者数据的分析、疾病的诊断和治疗等工作的准确性和可靠性，因此需要对缺失值进行处理。

2.在工业医疗行业，缺失值处理的常见方法包括：

-删除法：对于一些关键的医疗数据，如患者的生命体征数据，缺失值不能简单地删除，否则可能会导致患者数据的分析和疾病的诊断出现重大偏差。

-估算法：常用的估算方法包括均值估算、中位数估算、众数估算和K近邻估算等。这些方法简单易行，但可能会导致估算结果的偏差。

-插补法：常用的插补方法包括线性插补、多项式插补和样条曲线插补等。这些方法可以利用已有的数据对缺失值进行插补，从而获得更加准确的患者数据分析和疾病诊断结果。

3.缺失值处理方法的选择取决于缺失数据的类型、缺失数据的数量以及对数据分析结果的要求。对于小规模的随机缺失数据，可以使用估算法或插补法来处理。对于大规模的系统性缺失数据，可以使用高级的统计方法或机器学习方法来处理。缺失值处理的应用场景

缺失值处理在工业数据分析中有着广泛的应用场景，涵盖了从数据预处理到建模分析的各个环节。以下是一些常见的应用场景：

1.数据预处理

*数据清洗：在数据预处理阶段，缺失值处理是数据清洗的重要步骤。通过识别和处理缺失值，可以提高数据的完整性和一致性，为后续分析奠定坚实的基础。

*数据集成：在工业场景中，数据往往来自不同的来源，如传感器、仪表、历史记录等。这些数据通常存在缺失值和不一致性。通过缺失值处理，可以将不同来源的数据进行集成，形成一个完整、一致的数据集，便于后续分析和建模。

2.特征工程

*特征选择：在特征选择阶段，缺失值处理可以帮助识别和选择具有区分性的特征。通过剔除包含过多缺失值或缺失值分布不均匀的特征，可以提高模型的性能和鲁棒性。

*特征编码：在特征编码阶段，缺失值处理可以帮助确定缺失值的编码方式。常见的编码方式包括：均值/中位数填充、众数填充、自定义填充等。合理的缺失值编码可以减轻缺失值对模型的影响，提高模型的准确性。

3.模型训练

*模型选择：在模型选择阶段，缺失值处理可以帮助选择合适的模型。一些模型，如决策树和随机森林，对缺失值相对鲁棒，而另一些模型，如线性回归和支持向量机，则对缺失值比较敏感。通过缺失值处理，可以提高模型的鲁棒性，降低模型对缺失值的影响。

*超参数调优：在超参数调优阶段，缺失值处理可以帮助优化模型的超参数。通过调整缺失值处理方法或缺失值编码方式，可以找到最优的超参数组合，提高模型的性能。

*模型评估：在模型评估阶段，缺失值处理可以帮助评估模型的性能。通过比较不同缺失值处理方法下模型的性能，可以了解缺失值对模型的影响程度，并选择最合适的缺失值处理方法。

4.模型应用

*预测与决策：在模型应用阶段，缺失值处理可以帮助进行预测和决策。通过对缺失值进行合理的处理，可以使模型能够对包含缺失值的数据进行预测，并做出决策。

*异常检测：在异常检测中，缺失值处理可以帮助识别异常数据。通过分析缺失值分布和缺失值与其他特征的关系，可以发现异常数据，并对这些数据进行进一步处理。

5.其他应用

*数据挖掘：在数据挖掘中，缺失值处理可以帮助发现数据中的隐藏模式和规律。通过对缺失值进行分析，可以发现数据中存在的问题和异常，并从中提取有价值的信息。

*知识发现：在知识发现中，缺失值处理可以帮助发现数据中的知识。通过对缺失值进行分析，可以发现数据中存在的问题和异常，并从中提取有价值的知识。第七部分缺失值处理的优缺点关键词关键要点【缺失值处理的必要性】：

1.缺失值是数据挖掘和机器学习中常见的问题，它会对数据分析和建模产生负面影响。

2.缺失值处理可以减少数据中的噪声，提高数据的质量，从而提高数据分析和建模的准确性。

3.缺失值处理可以帮助我们更好地理解数据，发现数据的潜在规律和关系。

【缺失值处理的方法】：

缺失值处理的优缺点

缺失值处理是工业数据分析中不可避免的问题。缺失值的存在会影响数据的完整性和准确性，进而影响分析结果的可靠性。因此，在进行工业数据分析之前，需要对缺失值进行处理。

缺失值处理的方法有很多，每种方法都有其优缺点。下面列举一些常用的缺失值处理方法及其优缺点：

1.删除缺失值

删除缺失值是最简单、最直接的缺失值处理方法。优点是操作简单，不需要任何模型假设。缺点是会减少样本量，可能导致分析结果的偏差。

2.均值插补

均值插补是指用缺失值的样本均值来填充缺失值。优点是简单易行，不需要任何模型假设。缺点是可能导致分析结果的偏差，尤其是当缺失值不随机分布时。

3.中位数插补

中位数插补是指用缺失值的中位数来填充缺失值。优点是鲁棒性好，不受极端值的影响。缺点是可能导致分析结果的偏差，尤其是当缺失值不随机分布时。

4.众数插补

众数插补是指用缺失值的众数来填充缺失值。优点是简单易行，不需要任何模型假设。缺点是可能导致分析结果的偏差，尤其是当缺失值不随机分布时。

5.K-最近邻插补

K-最近邻插补是指用缺失值的K个最近邻样本的均值来填充缺失值。优点是能够捕捉到缺失值与其他样本之间的关系，适用于缺失值随机分布的情况。缺点是计算量大，当数据量较大时，计算效率低。

6.多重插补

多重插补是指对缺失值进行多次插补，然后对插补后的数据进行分析。优点是能够减少缺失值对分析结果的影响，提高分析结果的准确性。缺点是计算量大，当数据量较大时，计算效率低。

7.模型预测

模型预测是指用机器学习或统计模型来预测缺失值。优点是能够捕捉到缺失值与其他样本之间的关系，适用于缺失值非随机分布的情况。缺点是需要对模型进行训练，模型的准确性取决于训练数据的质量。

8.EM算法

EM算法是一种迭代算法，可以同时估计缺失值和模型参数。优点是能够处理缺失值不随机分布的情况，并且能够提高分析结果的准确性。缺点是计算量大，当数据量较大时，计算效率低。

缺失值处理的优缺点各不相同，在选择缺失值处理方法时，需要根据实际情况进行选择。一般来说，当缺失值随机分布时，可以使用删除缺失值、均值插补、中位数插补、众数插补或K-最近邻插补等简单的方法。当缺失值非随机分布时，可以使用多重插补、模型预测或EM算法等复杂的方法。第八部分缺失值处理的发展趋势关键词关键要点机器学习模型的应用

1.机器学习模型在缺失值处理中的应用越来越广泛，如K-最近邻、决策树、随机森林等。

2.机器学习模型能够自动学习数据中的模式，并对缺失值进行预测。

3.机器学习模型可以处理高维数据和非线性数据，并且能够对缺失值进行多重插补。

深度学习模型的应用

1.深度学习模型在缺失值处理中的应用越来越受到关注，如深度自编码器、生成对抗网络等。

2.深度学习模型能够学习数据中的复杂特征，并对缺失值进行更准确的预测。

3.深度学习模型可以处理大规模数据，并且能够对缺失值进行端到端处理