缺失数据的，是数据清洗里头最容易被忽略但最容易出问题的一块。tinyxml的这一篇中文指南，讲得还挺细，尤其是配合了RapidMiner来操作——界面操作友好，逻辑也清晰，蛮适合刚接触数据挖掘的人。

数据准备阶段常见的坑之一就是搞不清楚“缺失”和“为零”的区别。像图里说的，缺失数据不是填了个0或者null，而是啥都没有，值本身就压根不存在。这种情况下要不要补，怎么补，就得看你挖掘的目的。

举个例子，在Other Social Network这个属性上，缺失数据其实是合理的。人家就是没填，也真没用别的社交软件。可在Online Gaming上就不一样了，只接受Y或N，缺失就是异常，得补。

工具用的是RapidMiner，对新手友好，多设置都是可视化的，逻辑流操作也比较直观。你如果习惯写脚本也行，可以自己定条件填补。比如设定缺失值替换为平均值、众数，或者干脆直接删掉。看你数据量和目标。

建议你先把这篇指南浏览一遍，是图 7.7，挺关键的，对后面的建模影响不小。顺手的话，相关链接也可以点进去看看，像《基于 RapidMiner 的链接开放数据挖掘》就讲得更深入一些。

如果你是第一次玩数据挖掘，建议直接先用界面操作，熟了以后再上代码，效率高不少。