数据缺失是数据不完整的表现，常表现为空值，也是数据分析人员经常碰到的问题，数据的缺失可能是数据采集不到，或在数据录入的不小心遗漏，或者根本不存在这个数据，还可能是数据导出的过程发生错误，数据的缺失会使得信息不完整，处理缺失数据一般会有下面两种办法

直接删除掉
当缺失值占比非常小，直接省略掉缺失的这部分数据，但是在原数据量小的情况下，原本数据能够提供的信息就不多，再删除这些缺失值会导致信息更一步减少，非常不可取，这时候就需要通过填充手段来进行缺失值填充。
空值填充
空值填充是指利用某些技术手段把空缺的值给填充上，来弥补信息的完全丢失，常见的填充方法有固定值填充法，均值填充法，中位数填充法，众数填充法，向前向后填充法，高端一点的有K近邻填充法，预测模型填充法，每种方法有其适用场景，这次主要讲一讲最常用的向前向后填充法。
不予理会
有些算法对空值友好，有较好的容错能力，及时空值参与模型也不会对模型影响很，这个时候可以考虑不理睬缺失值。